[發明專利]一種優化投影對稱性近似稀疏分類的手勢識別方法

有效

• 申請號: 201910503150.7
• 申請日: 2019-06-11
• 公開（公告）號: CN110210443B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 黃攀峰;李沅澔;董剛奇;馬志強;陳路
• 申請（專利權）人: 西北工業大學
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/77;G06V10/764;G06K9/62
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 劉新瓊

1.一種優化投影對稱性近似稀疏分類的手勢識別方法，其特征在于步驟如下：

步驟1：圖像預處理

采集若干手勢圖像數據，對手勢圖像進行歸一化校正；

步驟2：提取手勢特征

首先對手勢圖像通過梯度操作和圖像卷積獲得單向振幅圖像，然后將單向振幅圖像分成7×7個單元格，得到多個單元格的幅度信息，并將多個幅度信息累加得到圖像的最終幅度梯度；采用局部二進制模式LBP對最終幅度梯度得到累積幅度圖像，對累積幅度圖像進行編碼以獲得POEM圖像，并對POEM圖像進行維度Γ，即手勢特征提?。?/p>

其中D^B和D^W分別是相似度矩陣B和類內相似度矩陣W的類或列的元素之和，B和W是對稱矩陣，且D^B和D^W是對角矩陣，L^W和L^B是拉普拉斯矩陣；得到所有手勢特征集合S＝{Γ₁,Γ₂,Γ₃,......,Γ_M}；

步驟3：構建OP-SYSRC算法

采用PCA降維方法將特征數據從高維空間投影到一個低維子空間進行降維處理；

將集合S里面的特征遍歷一遍后進行累加，然后取平均值得到平均圖像Ψ：

計算每張手勢圖像和平均圖像的差值Φ_n，即使用集合S里的每個特征元素減去平均圖像Ψ：

Φ_n＝Γ_n-Ψ (6)

計算整個集合的分歧特征λ_k：

其中，u_k是一個大于零小于1的偏差值，k＝{1,2,3,......,K}；

輸入一張新的手勢圖像后，采用分歧特征對其進行分類：

ω_k＝u_k(λ_k-ΨΨ^T) (8)

ω_k是這個類別的分歧特征所有的權重并構成一個向量：

Ω＝[ω₁,ω₂,......,ω_M] (9)

每一個正確的手勢類別都會相對應的一個區間值ε，最后根據分歧特征的權重向量就可以得到最終類別的區間值ε_k：

ε_k＝||Ω-Ω_k||² (10)

其中Ω_k是對應手勢類別區間值的初始權重向量；

步驟4：模型訓練/測試：

采用目標識別的Faster R-CNN算法并通過遷移學習來構建手勢識別模型，在模型進行區域選擇及特征提取程序后加入步驟3構建的OP-SYSRC算法；

在訓練過程中，每一批次處理32幅圖像，初始學習速率設置為0.001，參數優化采用動量為0.9的隨機梯度下降法，權重衰減為0.001；訓練過程共進行5萬次迭代，得到訓練好的手勢識別模型；采用訓練好的手勢識別模型對樣本進行測試。