基于神经网络的手势识别研究

• 作 者: 冯桐
• 发表日期: 2015年期
• 关键词: 手势分割 手势识别 神经网络 极限学习机 机器视觉 DSP FPGA

手势作为一种人与人之间的自然交流方式，逐渐成为新的人机交互方式。手势分为动态手势和静态手势，静态手势作为动态手势的一种暂态，对于理解动态手势具有非常重要的意义。手势识别首先要把人手从图像中分割出来，然后提取出手势的特征，在不同的规则和算法下进行分类识别。本文介绍了手势识别中的关键技术，并重点研究了静态手势分割和手势识别的方法。作为手势识别的第一步，手势分割的效果直接影响识别的准确度。本文介绍了常见的手势分割方法，深入研究了基于肤色的手势分割方法，对比了不同颜色空间下的手势分割结果，并在上述研究的基础上提出了一种结合自适应背景减除法和多种颜色空间实现手势分割的方法，实验表明该方法在复杂背景下可以有效的完成手势分割，并且效果良好。在手势识别方法中，本文对神经网络算法展开深入研究，并实现了基于BP神经网络的手势识别方法。BP网络具有较强自学习和自组织能力，以及并行协同处理结构，识别准确度较高，但是其训练的时间较长，计算量大，泛化能力不佳。由于神经网络算法存在一些不足，本文研究了一种改进型的神经网络——极限学习机，并提出了一种基于极限学习机的手势识别算法，实验表明该算法易于实现，具有较快的检测速度和较高的识别率，是一种良好的手势识别方法。本文最后实现了基于FPGA和DSP的手势识别硬件平台，该硬件系统采用模块化设计方法，灵活性高，通用性强，便于将手势识别技术移植到移动设备中。