[發明專利]手勢識別方法、裝置及計算機可讀存儲介質

在審

• 申請號: 202010564421.2
• 申請日: 2020-06-18
• 公開（公告）號: CN111722717A
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 李晶晶
• 申請（專利權）人: 歌爾科技有限公司
• 主分類號: G06F3/01
• 分類號: G06F3/01;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 王韜

本發明公開了一種手勢識別方法。該手勢識別方法包括：獲取待識別手勢圖像；將所述待識別手勢圖像輸入至預先訓練好的手勢識別模型，得到手勢識別結果；其中，所述手勢識別模型是基于組合得到的訓練樣本組合和預設損失函數訓練得到的。本發明能夠實現對圖像差異度極小的手勢的精確識別，提高手勢識別模型的魯棒性和手勢識別結果的準確性。

技術領域

本發明涉及人工智能領域，尤其涉及一種手勢識別方法、裝置及計算機可讀存儲介質。

背景技術

隨著計算機在社會中的普及，促進人機交互(HCI，Human–Computer Interaction)技術的發展將對計算機的使用產生積極影響，因此，人們越來越重視研究用于跨域人機障礙的新技術。長期以來，手勢一直被認為是一種可以提供更自然、更有創意和更直觀的與計算機進行通信的交互技術，所以在人機交互中加入手勢是一個重要的研究領域。

在人機交互領域，手勢通常被定義為：人類通過手掌和手指的不同姿勢組合形成的具有特定含義信息的集合體?？赏ㄟ^對用戶的手勢進行識別，最終實現根據手勢的類型對計算機或其他電子設備執行對應的控制操作。然而，目前對手勢圖像進行識別時，往往對差異度較大的手勢識別效果較好，而對比于差異度較小的手勢識別效果較差，手勢識別結果的準確性較差。

發明內容

本發明的主要目的在于提供一種手勢識別方法、裝置及計算機可讀存儲介質，旨在實現對圖像差異度極小的手勢的精確識別，提高手勢識別模型的魯棒性和手勢識別結果的準確性。

為實現上述目的，本發明提供一種手勢識別方法，所述手勢識別方法包括以下步驟：

獲取待識別手勢圖像；

將所述待識別手勢圖像輸入至預先訓練好的手勢識別模型，得到手勢識別結果；

其中，所述手勢識別模型是基于組合得到的訓練樣本組合和預設損失函數訓練得到的。

進一步地，所述獲取待識別手勢圖像的步驟之前，還包括：

獲取訓練樣本數據，所述訓練樣本數據包括訓練樣本圖像及其類別標簽；

根據所述類別標簽對所述訓練樣本圖像進行組合，得到訓練樣本組合；

利用所述訓練樣本組合和預設損失函數對預設手勢識別模型進行訓練，得到所述手勢識別模型。

可選地，所述根據所述類別標簽對所述訓練樣本圖像進行組合，得到訓練樣本組合的步驟包括：

根據所述類別標簽對相同類別的訓練樣本圖像進行兩兩組合；

向各個組合中隨機加入一個另一類別的訓練樣本圖像，得到訓練樣本組合。

可選地，所述預設手勢識別模型包括特征提取層和分類器，所述利用所述訓練樣本組合和預設損失函數對預設手勢識別模型進行訓練，得到所述手勢識別模型的步驟包括：

將所述訓練樣本組合輸入至所述特征提取層進行特征提取，得到各訓練樣本圖像對應的特征向量；

根據所述特征向量計算各訓練樣本組合中同類樣本特征之間的第一余弦角度和不同類樣本特征之間的第二余弦角度；

將所述第一余弦角度、所述第二余弦角度代入預設損失函數，計算得到損失值；

根據所述損失值進行特征提取層的后向傳播和參數更新，直至訓練完成，得到訓練好的特征提取層；

利用所述訓練好的特征提取層和所述訓練樣本數據對所述分類器進行訓練，得到訓練好的分類器；其中，所述手勢識別模型包括所述訓練好的特征提取層和所述訓練好的分類器。

可選地，所述根據所述損失值進行特征提取層的后向傳播和參數更新，直至訓練完成，得到訓練好的特征提取層的步驟包括：