深度学习驱动的计算机视觉手势识别：胶囊网络与算法创新

本文主要探讨了基于计算机视觉的手势识别方法，由电子工程学院2016级硕士研究生莫伟珑在罗晓曙教授指导下完成。研究背景是随着科技发展，人机交互的自然化和多样化需求日益增长，手势识别作为一种非接触式的控制方式，具有巨大的潜力。作者关注的重点在于如何利用深度学习，特别是Tensorflow框架，以及Ubuntu 16.04操作系统，克服手势识别中的复杂挑战，如人手变形的不确定性、目标定位、动态变化和环境干扰。 研究的核心内容包括两个部分： 1. 卷积神经网络理论基础：作者首先深入阐述了卷积神经网络(CNN)的基本原理，包括其工作机制、卷积层和反卷积层的功能、目标函数优化以及残差技术。这些理论基础为后续的手势图像识别算法设计提供了坚实的理论支撑。 2. 改进胶囊网络的应用：针对传统图像处理方法的局限性，作者提出了一种创新的手势识别方法，即结合胶囊网络与U-net网络和残差技术。首先，构建了U型残差胶囊分割网络，利用改进的胶囊网络算法对手势图像进行分割，提高了对手势的定位精度。接着，通过优化矩阵胶囊网络结构，实现了对手势的高效识别。这种方法旨在通过对手势进行分割、定位和识别，提高手势识别的准确性和鲁棒性。 本文通过实验验证了所提算法的有效性，尤其是在实时性方面，达到每秒7-8帧的速度，这对于实际应用中的实时手势交互具有重要意义。整体来看，这项研究不仅提升了计算机视觉在手势识别领域的技术水平，也为未来人机交互的自然化提供了新的可能性。 总结来说，本文是一篇深入探讨计算机视觉在手势识别中的应用研究，通过深度学习方法解决了手势识别中的关键问题，并提出了一种高效的手势分割与识别策略，为该领域的进一步发展做出了贡献。