[發明專利]一種基于深度學習的縫紉手勢識別方法有效

申請號：	202011096967.6	申請日：	2020-10-14
公開（公告）號：	CN112270220B	公開（公告）日：	2022-02-25
發明（設計）人：	王曉華;楊思捷;王文杰;張蕾;蘇澤斌	申請（專利權）人：	西安工程大學
主分類號：	G06V40/20	分類號：	G06V40/20;G06V10/764;G06V10/774;G06K9/62;G06N3/04;G06N3/08;G06T7/90
代理公司：	西安弘理專利事務所 61214	代理人：	弓長
地址：	710048 陜***	國省代碼：	陜西;61
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種基于深度學習縫紉手勢識別方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

本發明公開了一種基于深度學習的縫紉手勢識別方法，具體按照如下步驟實施：步驟1，數據集采集及預處理；步驟2，將經過預處理后數據集中的圖片以RGB圖片幀的形式輸入GRU神經網絡中進行數據訓練；步驟3，將GRU網絡的輸出結果作為DNN神經網絡的輸入進行進一步的特征提取，構成GRU?DNN網絡對縫紉手勢進行識別；步驟4，將步驟3所提取的特征送入SVM分類器中進行動作分類。本發明解決了現有技術中存在的DNN在進行行為檢測時無法對時間序列上有變化的情況做及時的處理，而RNN網絡結構在檢測過程中會出現的梯度消失問題，導致識別效果不準確的問題。

技術領域

本發明屬于人工智能技術領域，涉及一種基于深度學習的縫紉手勢識別方法。

背景技術

隨著勞動成本的增加、計算機技術的提高，“人+機+環境”系統也已成為不可逆轉的趨勢。深度學習相關技術在行為檢測領域取得了顯著的成果，解決了傳統的人工特征方法只能在簡單場景下進行識別這一缺陷，更有效的進行分類任務的優化，進而更高效的提取數據中的特征信息。

現有的縫紉手勢識別主要采用遞歸神經網絡進行識別，遞歸神經網絡主要代表模型有：RNN(遞歸神經網絡)模型、LSTM模型、GRU(門控循環單元)模型。RNN模型能夠連接當前過程和過去狀態，具有一定的記憶功能。LSTM模型和GRU模型是RNN模型的結構變種，相較于RNN模型，LSTM神經網絡使循環神經網絡不僅能夠記憶過去的信息，同時還能選擇性的忘記不重要的信息。GRU神經網絡相較于LSTM網絡結構而言，在識別過程中不僅能夠利用圖片全部的信息，并且在LSTM的基礎上解決了長序列信息下梯度消失的問題，結構相較于LSTM結構模型也更加簡單，識別效果更好。DNN神經網絡(深度神經網絡)作為一種前饋人工神經網絡也被廣泛的應用于行為識別領域，能夠解決深層次的問題，能夠在深度上更好的提取特征，但是DNN在進行行為檢測時無法對時間序列上有變化的情況做及時的處理，而基礎的RNN結構在檢測過程中會出現梯度消失的問題，且RNN網絡進行檢測時獲取圖像深層次信息的效果相較于DNN而言較為欠缺。

發明內容

本發明的目的是提供一種基于深度學習的縫紉手勢識別方法，解決了現有技術中存在的DNN在進行行為檢測時無法對時間序列上有變化的情況做及時的處理，而基本的RNN網絡結構在檢測過程中會出現的梯度消失問題，導致識別效果不準確的問題。

本發明所采用的技術方案是，一種基于深度學習的縫紉手勢識別方法，具體按照如下步驟實施：

步驟1，數據集采集及預處理；

步驟2，將經過預處理后數據集中的圖片以RGB圖片幀的形式輸入GRU神經網絡中進行數據訓練；

步驟3，將GRU網絡的輸出結果作為DNN神經網絡的輸入進行進一步的特征提取，構成GRU-DNN網絡對縫紉手勢進行識別；

步驟4，將步驟3所提取的特征送入SVM分類器中進行動作分類。

本發明的特征還在于，

步驟1具體為：

步驟1.1，采集縫紉手勢數據圖片，將所采集到的縫紉手勢數據圖片通過動態闕值法進行顏色校正，以消除光照對顯色性的影響；

步驟1.2，將經步驟1.1處理的縫紉手勢數據圖片亮度調節為原始亮度的0.6到1.5倍；

步驟1.3，將經步驟1.2調節亮度縫紉手勢數據圖片隨機進行不旋轉、旋轉90度或180度或270度，得到經過預處理的縫紉手勢數據圖片，作為訓練集。