基于双分类器的自适应单双手手势识别算法研究
135 浏览量
更新于2024-08-28
收藏 6.59MB PDF 举报
"基于双分类器的自适应单双手手势识别"
本文提出了一种基于双分类器的自适应单双手手势识别算法,以解决传统卷积神经网络(CNN)中仅有对单手手势语义进行识别的算法和深度学习手势识别算法中CNN的收敛性差和识别精度低的问题。该算法的核心是联合两个分类器进行单双手手势识别。
首先,采用手数分类器对手势进行分割分组预测,将手势识别转化成部分手势图像识别。其次,采用自适应增强卷积神经网络(AE-CNN)进行手势识别,利用自适应模块分析出现识别误差的原因和反馈模式。最后,在迭代次数和识别结果的基础上进行参数更新。
实验结果表明,手数分类器进行手势预测分组的正确概率为98.82%,AE-CNN的收敛性优于CNN和CNN+Dropout,对单手手势的识别率高达97.87%,对基于LSP数据集自建的9类单手手势和10类双手手势的整体模型识别率为97.10%,对复杂背景和不同光照强度下手势的平均识别率为94.00%,并且具有一定的鲁棒性。
本文的贡献在于:
1. 提出了基于双分类器的自适应单双手手势识别算法,解决了传统CNN中仅有对单手手势语义进行识别的算法和深度学习手势识别算法中CNN的收敛性差和识别精度低的问题。
2. 采用手数分类器和自适应增强卷积神经网络(AE-CNN)进行手势识别,提高了手势识别的准确性和鲁棒性。
3. 实验结果表明,所提出的算法在单手和双手手势识别方面取得了良好的结果,具有实践价值和应用前景。
知识点:
1. 卷积神经网络(CNN):一种深度学习算法,常用于图像识别和分类任务。
2. 自适应增强卷积神经网络(AE-CNN):一种基于CNN的变体,通过自适应模块分析出现识别误差的原因和反馈模式,提高了手势识别的准确性和鲁棒性。
3. 双分类器:一种机器学习算法,通过联合两个分类器进行手势识别,提高了手势识别的准确性和鲁棒性。
4. 手数分类器:一种机器学习算法,用于对手势进行分割分组预测,将手势识别转化成部分手势图像识别。
5. 图像处理:一种计算机视觉技术,用于对图像进行处理和分析,以提取有用的信息。
6. 特征自适应:一种机器学习算法,通过自适应模块分析出现识别误差的原因和反馈模式,提高了手势识别的准确性和鲁棒性。
7. 单双手手势识别:一种计算机视觉技术,用于对单手和双手手势进行识别和分类。
本文提出了一种基于双分类器的自适应单双手手势识别算法,以解决传统CNN中仅有对单手手势语义进行识别的算法和深度学习手势识别算法中CNN的收敛性差和识别精度低的问题。该算法结合了手数分类器和自适应增强卷积神经网络(AE-CNN),提高了手势识别的准确性和鲁棒性,具有实践价值和应用前景。
2020-10-16 上传
2024-03-23 上传
2023-05-28 上传
2024-06-25 上传
2023-04-05 上传
2023-07-28 上传
2023-10-18 上传
2023-05-24 上传
weixin_38660359
- 粉丝: 3
- 资源: 961
最新资源
- C++多态实现机制详解:虚函数与早期绑定
- Java多线程与异常处理详解
- 校园导游系统:无向图实现最短路径探索
- SQL2005彻底删除指南:避免重装失败
- GTD时间管理法:提升效率与组织生活的关键
- Python进制转换全攻略:从10进制到16进制
- 商丘物流业区位优势探究:发展战略与机遇
- C语言实训:简单计算器程序设计
- Oracle SQL命令大全:用户管理、权限操作与查询
- Struts2配置详解与示例
- C#编程规范与最佳实践
- C语言面试常见问题解析
- 超声波测距技术详解:电路与程序设计
- 反激开关电源设计:UC3844与TL431优化稳压
- Cisco路由器配置全攻略
- SQLServer 2005 CTE递归教程:创建员工层级结构