[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

本發明涉及一種優化投影對稱性近似稀疏分類的手勢識別方法，首先通過對手勢圖像進行歸一化校正、提取手勢特征、構建OP?SYSRC算法、然后采用目標識別的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構建的OP?SYSRC算法，對模型進行訓練和測試。在大數據手勢識別環境下，大大提高了大數據庫容量下手勢圖像的識別和對比度性能，確保了系統的數據可擴展性。

技術領域

本發明屬于圖像處理與計算機視覺領域，具體涉及一種基于大數據的OP-SYSRC(優化投影對稱性近似稀疏表示分類)魯棒手勢識別算法。

背景技術

大數據技術的發展和應用促進了各領域信息技術的快速發展，大量數據不斷更新，支持各種數據庫。如果這些數據得到充分利用，它們將帶來巨大的價值回報。手勢識別已廣泛應用于個人認證，視頻監控和人機交互等領域。目前手勢識別已經逐步運用到軍事方面命令指揮手語的工作。指揮人員對計算機設備做出部隊的命令手勢，計算機通過攝像頭實時的檢測并理解指揮人員的命令手勢，將新的行動命令傳達給無人機、無人車或其他作戰人員。而計算機等設備采集手勢圖像需要提取具有識別的特征并將該特征與存儲在數據集中的模板進行比較來執行自動手勢識別。隨著魯棒特征表示和匹配技術的發展，手勢識別系統的準確性不斷提高，并且多個公共基準數據庫的錯誤率顯著降低。

針對大數據的手勢識別實時性差和識別率低的問題。提出了一種基于大數據的OP-SYSRC(優化投影對稱性近似稀疏表示分類)魯棒手勢識別算法來解決手勢圖像識別中的問題。基于OP-SRC的思想，提出了OP-SYSRC監督降維算法。當SYSRC(對稱性近似稀疏表)分類算法用于將高維復雜背景的手勢圖像數據投影到低維空間時，可以保留數據的類別信息，并且可以有效地減少數據維度。OP-SYSRC使用分類殘差作為標準并進行線性正交投影，這使OP-SYSRC成為監督角色。它將高維手勢圖像轉換為具有不同信息的小特征進行分類，并且計算的數量很少，這可以減少存儲。這對提高圖像分類效率，獲得更高的識別率，具有十分重要的意義。

發明內容

要解決的技術問題

為了避免現有技術的不足之處，彌補現有手勢識別中手部特征提取和降維方式誤差大和魯棒性弱的不足，本發明提出一種優化投影對稱性近似稀疏分類的手勢識別方法。

技術方案

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，即手勢特征提取：

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：