【摘要】：隨著機器視覺技術的蓬勃發(fā)展,手勢識別技術以其便捷的肢體語言交流方式在人機交互中發(fā)揮著越來越重要的作用,受到廣大人機交互研究者的熱愛。得益于手勢識別技術的日益成熟,以手勢為交互工具的智能教育、智能醫(yī)療、智能社保等智能系統(tǒng)逐漸普及到人們?nèi)粘Ｉ钪�。因此本文基于語義柔性映射交互模型構建了手勢數(shù)據(jù)庫,然而在利用卷積神經(jīng)網(wǎng)絡手勢模型實際應用過程中,存在一些易混淆的手勢,這些手勢的存在必然會降低整個系統(tǒng)的性能。而普適性差、效果不佳的智能系統(tǒng)將很難被人們接受采用。由此,本論文依托國家重點研發(fā)計劃項目、國家自然科學基金項目和山東省重點研發(fā)計劃項目等項目基金的支持,以智能交互式界面為應用平臺,對教學過程中的誤識手勢展開研究。本文主要研究目標是探究基于卷積神經(jīng)網(wǎng)絡手勢識別算法的誤識手勢出錯機理,并提出基于概率統(tǒng)計模型和卷積特征的智能糾錯算法,通過對誤識手勢的智能檢測與糾錯,實現(xiàn)交互式教學的智能化。本論文的創(chuàng)新點概括為以下三個方面:(1)即使手勢識別算法已很成熟,但在實際應用中由于外界因素的干擾,不可避免會出現(xiàn)誤識手勢。與傳統(tǒng)的基于卷積神經(jīng)網(wǎng)絡識別靜態(tài)手勢算法相比較,本文提出了基于概率統(tǒng)計的誤判概率模型,實現(xiàn)對誤識手勢的智能糾錯。該算法主要從大數(shù)據(jù)角度分析,建立誤識手勢的混淆矩陣,分析每類手勢和被網(wǎng)絡模型錯誤識別為其他類手勢的數(shù)量關系,并依據(jù)預測識別結果和實際類別的概率函數(shù),建立了誤判概率模型。在檢測出錯手勢之后,本文以誤判概率矩陣為基點產(chǎn)生隨機數(shù),設計了一個概率發(fā)生器進行糾錯,使得混淆手勢的識別率提高了5%左右。(2)現(xiàn)有方法一般通過優(yōu)化網(wǎng)絡結構及訓練參數(shù)提高識別率,或通過定義新的手勢特征和相似度算子以提高識別率。與之不同,本文探究誤識手勢出錯機理,尋找出錯過程的規(guī)律性。(3)由于上述基于概率的糾錯算法沒有體現(xiàn)手勢出錯過程,糾錯效果不理想,因此,本文提出基于卷積特征的誤識手勢智能檢測與糾錯算法。為了探究誤識手勢的特點,本對誤識手勢從全連接層到卷積層的特征值逐一提取,并進行可視化,從特征值上比較分析同類手勢被識別正確和錯誤的區(qū)別。在實驗過程中首次提出區(qū)分誤識手勢的一個重要特征—三維曲面的峰值。從大數(shù)據(jù)角度分析,同一種手勢在同一通道上對應的曲面的峰值總趨向于固定的區(qū)域,并且不同手勢類型對應的區(qū)域是不同的�；谶@個規(guī)律,提出了誤識特征矩陣及自動糾錯算法。研究結果表明,本文提出的算法與改進前的卷積神經(jīng)網(wǎng)絡相比識別率提高了15%左右。
【學位授予單位】：濟南大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP183
【圖文】：

數(shù)據(jù)庫大多是通過 Kinect for Windows V2 Sensor（Kinect）采集的，：一、采集的樣本（人）不足，有的數(shù)據(jù)庫只是采集了一個人、兩個人用手的行為習慣不同，手的姿態(tài)和做手勢動作都千差萬別，所以少有代表性。二、數(shù)據(jù)種類偏少且數(shù)據(jù)量不足。因此針對上述兩個問題00 名教師和學生，統(tǒng)計了符合人們認知規(guī)律和行為習慣的 17 種常用勢。本實驗室基于 Kinect 召開了為期兩個學期的采集實驗，總共采手勢，得到了 52 萬的數(shù)據(jù)庫，包括深度圖、彩色圖、手勢運動軌跡來本文將基于 Kinect 闡述數(shù)據(jù)庫采集建立過程。發(fā)布的低成本彩色深度（RGB-D）照相機 Kinect[68]通過提供高質(zhì)量的背景和照明變化等問題，在手勢識別方面創(chuàng)造了一場新的革命[69]。K多種先進的傳感硬件。最值得一提的是，它包含深度傳感器，彩色攝（圖 2.1），可提供全身 3D 動作捕捉，面部識別和語音識別功能。

置作為手部區(qū)域的跟蹤目標。鍵步驟，分割后的圖像是手勢識別的對象，是度圖像是在其基礎上增加了深度圖（DepthM包含與視點的場景對象的表面的距離有關的信采用深度圖像。2.2.1 小節(jié)提到 Kinect 可獲用作為整體與身體分割出來。本文采取的辦法是并將目的直接保存到本文文件中。根據(jù)深度的本文采用的手勢識別技術是基于深度學習網(wǎng)絡 LevelDB 格式，這就要求深度圖像要統(tǒng)一尺深度圖之后需要進行尺寸的標準化處理。標準.2 是經(jīng)過上述分割后的圖像。在獲得海量數(shù)據(jù)識別算法，具體算法過程會在第三章展示介紹

程構建了采集的可視化界面。如圖 2.3 所示，設計了三Button），包括靜態(tài)手勢、動態(tài)手勢和左右手三組選擇on）分別為每類手勢的演示操作、開始按鈕和結束按鈕集者通過鼠標選中當前要采集的手勢類型。集者點擊“演示按鈕”給被采集者示范手勢動作。集者點擊“開始抓取按鈕”之后，被采集者開始動作。對于靜態(tài)手勢，由于 Kinect 只能獲得手勢的一個角度，的姿勢，滿 60 張圖片自動結束。對于動態(tài)手勢，采集手動點擊“結束按鈕”。境：8 臺 Win 10+64 位的 PC 電腦境：VS2013備：8 臺 Kinect 2.0

【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 劉高宇;;深度神經(jīng)網(wǎng)絡在煤質(zhì)數(shù)據(jù)分析與預測中的應用[J];電腦知識與技術;2019年28期

3 馮偉業(yè);廖可非;歐陽繕;牛耀;;基于膠囊神經(jīng)網(wǎng)絡的合成孔徑雷達圖像分類方法[J];科學技術與工程;2019年28期

4 溫贊揚;;基于群智優(yōu)化神經(jīng)網(wǎng)絡的音樂風格分類模型研究[J];現(xiàn)代電子技術;2019年21期

5 鄭麗;;建筑設計中神經(jīng)網(wǎng)絡技術與遺傳算法探究[J];湖北農(nóng)機化;2019年21期

6 易煒;何嘉;鄒茂揚;;基于循環(huán)神經(jīng)網(wǎng)絡的對話系統(tǒng)記憶機制[J];計算機工程與設計;2019年11期

7 黃為;李永剛;胡上成;汪毅;;基于循環(huán)神經(jīng)網(wǎng)絡的船搖數(shù)據(jù)實時預測[J];科學技術與工程;2019年31期

8 賴策;魏小琴;;卷積神經(jīng)網(wǎng)絡的訓練方式研究[J];信息與電腦(理論版);2019年22期

9 周濟民;;基于神經(jīng)網(wǎng)絡改進的元胞自動機分析——美國阿片類藥物濫用情況[J];信息系統(tǒng)工程;2019年11期

10 馬猛;王明紅;;基于進化神經(jīng)網(wǎng)絡的304不銹鋼車削加工表面粗糙度預測[J];輕工機械;2019年06期

相關會議論文 前10條

1 孫軍田;張U

本文編號：2779587