隨著現(xiàn)代技術(shù)的發(fā)展,以及生活方式的更加智能化,大家越來(lái)越渴望一種更加自然的交互方式。因此針對(duì)這一現(xiàn)象研究出一種自然、舒適的人機(jī)交互方式具有非凡的意義。手勢(shì)具有自然、直觀、簡(jiǎn)潔、人性化和靈活性特點(diǎn),能夠充分激發(fā)手的潛能,不用將手依附在鼠標(biāo)、鍵盤(pán)等外部設(shè)備上,避免了局限性,可以很好地用于人機(jī)交互。近些年,卷積神經(jīng)網(wǎng)絡(luò)(CNN,Convolution neural network)算法作為深度學(xué)習(xí)中的熱點(diǎn),被大規(guī)模應(yīng)用到各方面研究領(lǐng)域。在計(jì)算機(jī)視覺(jué)方面尤為火熱,它顯著的提高了大規(guī)模數(shù)據(jù)下圖像的識(shí)別準(zhǔn)確率,與傳統(tǒng)算法相比有著自動(dòng)提取特征的優(yōu)勢(shì)。但是,卷積神經(jīng)網(wǎng)絡(luò)算法的驅(qū)動(dòng)需要大規(guī)模的數(shù)據(jù)集和大規(guī)模的計(jì)算量,在小數(shù)據(jù)集上訓(xùn)練容易出現(xiàn)過(guò)擬合或是識(shí)別精度過(guò)低的問(wèn)題。而支持向量機(jī)(SVM,Support Vector Machine)在有效的特征提取基礎(chǔ)上能實(shí)現(xiàn)高精度的識(shí)別。為此,本文針對(duì)小數(shù)據(jù)集提出了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(CNN+SVM)相結(jié)合的方法,并將其用于手勢(shì)識(shí)別中來(lái)進(jìn)行驗(yàn)證。本文所做的研究工作如下:(1)卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)Χ喑叨忍卣鲗?shí)現(xiàn)提取,因此將卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行架構(gòu)層數(shù)優(yōu)化,...

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)外手勢(shì)識(shí)別研究現(xiàn)狀
    1.3 國(guó)內(nèi)手勢(shì)識(shí)別研究現(xiàn)狀
    1.4 本文的研究?jī)?nèi)容及章節(jié)安排
        1.4.1 本文的研究?jī)?nèi)容
        1.4.2 本文章節(jié)安排
2 卷積神經(jīng)網(wǎng)絡(luò)相關(guān)理論
    2.1 人工神經(jīng)網(wǎng)絡(luò)概述
    2.2 卷積神經(jīng)網(wǎng)絡(luò)概述
    2.3 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)
        2.3.1 前向傳播
        2.3.2 反向傳播
    2.4 卷積神經(jīng)網(wǎng)絡(luò)工作原理
        2.4.1 卷積層和梯度計(jì)算
        2.4.2 池化層和梯度計(jì)算
        2.4.3 全連接層
    2.5 本章小結(jié)
3 傳統(tǒng)分類(lèi)算法理論研究
    3.1 KNN分類(lèi)算法
        3.1.1 KNN算法簡(jiǎn)介
        3.1.2 KNN的優(yōu)點(diǎn)
    3.2 AdaBoost分類(lèi)算法
        3.2.1 AdaBoost算法簡(jiǎn)介
        3.2.2 AdaBoost的優(yōu)點(diǎn)
    3.3 隨機(jī)森林分類(lèi)算法
        3.3.1 隨機(jī)森林分類(lèi)算法簡(jiǎn)介
        3.3.2 隨機(jī)森林分類(lèi)算法優(yōu)點(diǎn)
    3.4 SVM分類(lèi)算法
        3.4.1 SVM分類(lèi)算法簡(jiǎn)介
        3.4.2 SVM分類(lèi)算法優(yōu)點(diǎn)
    3.5 本章小結(jié)
4 改進(jìn)的CNN和SVM手勢(shì)識(shí)別算法研究
    4.1 原始CNN算法不足
    4.2 解決過(guò)擬合問(wèn)題
        4.2.1 DROPOUT優(yōu)化
        4.2.2 正則化約束
    4.3 解決訓(xùn)練樣本有限問(wèn)題
    4.4 CNN的手勢(shì)特征提取
    4.5 提出的手勢(shì)識(shí)別模型
        4.5.1 卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)設(shè)計(jì)
        4.5.2 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
        4.5.3 SVM分類(lèi)器
    4.6 本章小結(jié)
5 實(shí)驗(yàn)結(jié)果與分析
    5.1 數(shù)據(jù)集
    5.2 實(shí)驗(yàn)結(jié)果及分析
        5.2.1 改進(jìn)的CNN模型
        5.2.2 改進(jìn)的CNN模型特征提取
        5.2.3 改進(jìn)的CNN和SVM模型
        5.2.4 本文算法與已有算法的比較
    5.3 小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝



本文編號(hào)：3951598