隨著現(xiàn)代技術的發(fā)展,以及生活方式的更加智能化,大家越來越渴望一種更加自然的交互方式。因此針對這一現(xiàn)象研究出一種自然、舒適的人機交互方式具有非凡的意義。手勢具有自然、直觀、簡潔、人性化和靈活性特點,能夠充分激發(fā)手的潛能,不用將手依附在鼠標、鍵盤等外部設備上,避免了局限性,可以很好地用于人機交互。近些年,卷積神經(jīng)網(wǎng)絡(CNN,Convolution neural network)算法作為深度學習中的熱點,被大規(guī)模應用到各方面研究領域。在計算機視覺方面尤為火熱,它顯著的提高了大規(guī)模數(shù)據(jù)下圖像的識別準確率,與傳統(tǒng)算法相比有著自動提取特征的優(yōu)勢。但是,卷積神經(jīng)網(wǎng)絡算法的驅(qū)動需要大規(guī)模的數(shù)據(jù)集和大規(guī)模的計算量,在小數(shù)據(jù)集上訓練容易出現(xiàn)過擬合或是識別精度過低的問題。而支持向量機(SVM,Support Vector Machine)在有效的特征提取基礎上能實現(xiàn)高精度的識別。為此,本文針對小數(shù)據(jù)集提出了一種改進的卷積神經(jīng)網(wǎng)絡和支持向量機(CNN+SVM)相結(jié)合的方法,并將其用于手勢識別中來進行驗證。本文所做的研究工作如下:(1)卷積神經(jīng)網(wǎng)絡能夠?qū)Χ喑叨忍卣鲗崿F(xiàn)提取,因此將卷積神經(jīng)網(wǎng)絡進行架構(gòu)層數(shù)優(yōu)化,...

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國外手勢識別研究現(xiàn)狀
    1.3 國內(nèi)手勢識別研究現(xiàn)狀
    1.4 本文的研究內(nèi)容及章節(jié)安排
        1.4.1 本文的研究內(nèi)容
        1.4.2 本文章節(jié)安排
2 卷積神經(jīng)網(wǎng)絡相關理論
    2.1 人工神經(jīng)網(wǎng)絡概述
    2.2 卷積神經(jīng)網(wǎng)絡概述
    2.3 卷積神經(jīng)網(wǎng)絡架構(gòu)
        2.3.1 前向傳播
        2.3.2 反向傳播
    2.4 卷積神經(jīng)網(wǎng)絡工作原理
        2.4.1 卷積層和梯度計算
        2.4.2 池化層和梯度計算
        2.4.3 全連接層
    2.5 本章小結(jié)
3 傳統(tǒng)分類算法理論研究
    3.1 KNN分類算法
        3.1.1 KNN算法簡介
        3.1.2 KNN的優(yōu)點
    3.2 AdaBoost分類算法
        3.2.1 AdaBoost算法簡介
        3.2.2 AdaBoost的優(yōu)點
    3.3 隨機森林分類算法
        3.3.1 隨機森林分類算法簡介
        3.3.2 隨機森林分類算法優(yōu)點
    3.4 SVM分類算法
        3.4.1 SVM分類算法簡介
        3.4.2 SVM分類算法優(yōu)點
    3.5 本章小結(jié)
4 改進的CNN和SVM手勢識別算法研究
    4.1 原始CNN算法不足
    4.2 解決過擬合問題
        4.2.1 DROPOUT優(yōu)化
        4.2.2 正則化約束
    4.3 解決訓練樣本有限問題
    4.4 CNN的手勢特征提取
    4.5 提出的手勢識別模型
        4.5.1 卷積神經(jīng)網(wǎng)絡的架構(gòu)設計
        4.5.2 卷積神經(jīng)網(wǎng)絡的訓練
        4.5.3 SVM分類器
    4.6 本章小結(jié)
5 實驗結(jié)果與分析
    5.1 數(shù)據(jù)集
    5.2 實驗結(jié)果及分析
        5.2.1 改進的CNN模型
        5.2.2 改進的CNN模型特征提取
        5.2.3 改進的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
致謝



本文編號：3951598