[發明專利]基于LVQ?GA?BP的數據手套手勢識別算法

在審

• 申請號: 201710218823.5
• 申請日: 2017-04-06
• 公開（公告）號: CN106990846A
• 公開（公告）日: 2017-07-28
• 發明（設計）人: 李東潔;李洋洋;楊柳
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06F3/01
• 分類號: G06F3/01;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及智人機交互的信息識別領域技術，特別是基于數據手套手勢識別的人機交互方法。

背景技術

當今隨著計算機科學和工業技術的不斷發展，人和計算機之間的信息交互越來越引起國內外學者的重視，逐漸成為科研領域的一個熱點。人機交互技術是指人通過一定的輸入和輸出設備完成自身和計算機之間特定任務的技術，其綜合了多媒體技術、人機工程學、認知心理學以及虛擬現實技術等多門學科。隨著計算機圖形學的發展，以人為中心的人機交互模式不斷的出現在人們的日常生活中，例如人臉識別、指紋識別、語音識別、頭部運動跟蹤、表情識別、手勢識別等，目的是使人能夠以日常生活中的表達方式和計算機進行自然交互。為了保證數據手套控制機器人運動的實時性與控制精度，為用戶提供一種真實自然的三維交互手段，手勢識別的控制方法成為一個聚焦點。

發明內容

本發明所要解決的技術問題是提供一種基于LVQ-GA-BP的神經網絡手勢識別算法，優化現有的手勢識別算法的效率問題，實現基于數據手套的機器人遙操作系統的實時性，給用戶使用數據手套實現機器人設備控制提供真實自然的手段。

本發明解決其技術問題所采取的技術方案是：提供一種基于LVQ-GA-BP的神經網絡手勢識別算法，通過Data Glove 14 Ultra數據手套對操作者的手勢進行數據采集，再將采集的數據經LVQ神經網絡進行分類處理，然后通過基于GA算法優化的BP神經網絡進行網絡學習訓練，最后將其訓練好的算法應用到基于數據手套的手勢識別中，實現機器人的遙操作。

所謂的基于LVQ-GA-BP的神經網絡手勢識別算法包括LVQ神經網絡對數據信息分類和GA優化BP神經網絡網絡算法的訓練。

在數據信息分類處理時，首先通過數據手套的傳感器采集手勢數據，其次將采集到的數據經LVQ神經網絡實現數據分類處理，使得每個數據的輸出值為0或1。

GA優化BP神經網絡，首先建立GA-BP神經網絡，確定GA算法參數，借助遺傳算法初始化神經網絡參數，在GA算法的遺傳代數內，計算個體樣本及誤差判斷，通過進化操作對BP神經網絡進行訓練，直到滿足手勢識別算法精度或遺傳算法的最大迭代次數，輸出神經網絡的權值、閾值，確定神經網絡參數，最后將其訓練好的算法應用到基于數據手套的手勢識別中，實現機器人的遙操作。

由于采用上述技術方案，本發明同現有技術相比，克服了BP神經網絡的局部最優缺陷，通過GA算法的多點搜索，從而避免了局部最優，很好的完成BP神經網絡的權值訓練，使得神經網絡的訓練質量增加，具有較好的收斂速度和逼近能力，該算法大大降低了手勢識別過程中的數據處理的復雜性，能夠有效的提高訓練速度，減少訓練時間，使得數據手套與機器人操作系統的實時性和控制精度有明顯的改善。

附圖說明

圖1為基于LVQ-GA-BP手勢識別算法的數據手套實現虛擬交互框圖。

圖2為LVQ-GA-BP的神經網絡手勢識別算法流程圖。

具體實施方式

操作者戴上數據手套通過傳感器采集手勢數據，并將數據通過LVQ-GA-BP的神經網絡手勢識別算法，進行網絡學習訓練，最后將其訓練好的算法應用到基于數據手套的手勢識別中，實現自然靈活的人機交互，如圖1所示，基于LVQ-GA-BP手勢識別算法的數據手套實現虛擬交互框圖。

所謂的基于LVQ-GA-BP的神經網絡手勢識別算法包括LVQ神經網絡對數據信息分類和GA-BP神經網絡算法的訓練。

在LVQ神經網絡對數據信息分類時包括以下步驟：

（1）LVQ神經網絡初始化，確定網絡的初始學習效率及學習次數；

（2）將采集的數據作為樣本向量輸入到神經網絡；

（3）利用最小歐式距離尋找獲勝神經元；

（4）判斷獲勝神經元權值，并采用適當的規則進行權值調整；

（5）更新學習效率，直至滿足要求，實現分類，樣本輸出。

GA-BP神經網絡算法的訓練，求解全局最優，其操作步驟：

（1）建立GA-BP神經網絡，確定GA參數；

（2）初始化GA-BP神經網絡，輸入訓練樣本；

（3）計算個體樣本，判斷學習誤差；

（4）利用GA算法的多點尋優能力優化BP神經網絡的權值；

（5）判斷學習精度是否滿足，重復步驟（4），直至滿足訓練精度，亦或達到GA算法的最大訓練次數，輸出全局最優權值、閾值，確定最優神經網絡。詳細算法流程見圖2。