[发明专利]基于LVQ‑GA‑BP的数据手套手势识别算法

说明书

技术领域

本发明涉及智人机交互的信息识别领域技术，特别是基于数据手套手势识别的人机交互方法。

背景技术

当今随着计算机科学和工业技术的不断发展，人和计算机之间的信息交互越来越引起国内外学者的重视，逐渐成为科研领域的一个热点。人机交互技术是指人通过一定的输入和输出设备完成自身和计算机之间特定任务的技术，其综合了多媒体技术、人机工程学、认知心理学以及虚拟现实技术等多门学科。随着计算机图形学的发展，以人为中心的人机交互模式不断的出现在人们的日常生活中，例如人脸识别、指纹识别、语音识别、头部运动跟踪、表情识别、手势识别等，目的是使人能够以日常生活中的表达方式和计算机进行自然交互。为了保证数据手套控制机器人运动的实时性与控制精度，为用户提供一种真实自然的三维交互手段，手势识别的控制方法成为一个聚焦点。

发明内容

本发明所要解决的技术问题是提供一种基于LVQ-GA-BP的神经网络手势识别算法，优化现有的手势识别算法的效率问题，实现基于数据手套的机器人遥操作系统的实时性，给用户使用数据手套实现机器人设备控制提供真实自然的手段。

本发明解决其技术问题所采取的技术方案是：提供一种基于LVQ-GA-BP的神经网络手势识别算法，通过Data Glove 14 Ultra数据手套对操作者的手势进行数据采集，再将采集的数据经LVQ神经网络进行分类处理，然后通过基于GA算法优化的BP神经网络进行网络学习训练，最后将其训练好的算法应用到基于数据手套的手势识别中，实现机器人的遥操作。

所谓的基于LVQ-GA-BP的神经网络手势识别算法包括LVQ神经网络对数据信息分类和GA优化BP神经网络网络算法的训练。

在数据信息分类处理时，首先通过数据手套的传感器采集手势数据，其次将采集到的数据经LVQ神经网络实现数据分类处理，使得每个数据的输出值为0或1。

GA优化BP神经网络，首先建立GA-BP神经网络，确定GA算法参数，借助遗传算法初始化神经网络参数，在GA算法的遗传代数内，计算个体样本及误差判断，通过进化操作对BP神经网络进行训练，直到满足手势识别算法精度或遗传算法的最大迭代次数，输出神经网络的权值、阈值，确定神经网络参数，最后将其训练好的算法应用到基于数据手套的手势识别中，实现机器人的遥操作。

由于采用上述技术方案，本发明同现有技术相比，克服了BP神经网络的局部最优缺陷，通过GA算法的多点搜索，从而避免了局部最优，很好的完成BP神经网络的权值训练，使得神经网络的训练质量增加，具有较好的收敛速度和逼近能力，该算法大大降低了手势识别过程中的数据处理的复杂性，能够有效的提高训练速度，减少训练时间，使得数据手套与机器人操作系统的实时性和控制精度有明显的改善。

附图说明

图1为基于LVQ-GA-BP手势识别算法的数据手套实现虚拟交互框图。

图2为LVQ-GA-BP的神经网络手势识别算法流程图。

具体实施方式

操作者戴上数据手套通过传感器采集手势数据，并将数据通过LVQ-GA-BP的神经网络手势识别算法，进行网络学习训练，最后将其训练好的算法应用到基于数据手套的手势识别中，实现自然灵活的人机交互，如图1所示，基于LVQ-GA-BP手势识别算法的数据手套实现虚拟交互框图。

所谓的基于LVQ-GA-BP的神经网络手势识别算法包括LVQ神经网络对数据信息分类和GA-BP神经网络算法的训练。

在LVQ神经网络对数据信息分类时包括以下步骤：

（1）LVQ神经网络初始化，确定网络的初始学习效率及学习次数；

（2）将采集的数据作为样本向量输入到神经网络；

（3）利用最小欧式距离寻找获胜神经元；

（4）判断获胜神经元权值，并采用适当的规则进行权值调整；

（5）更新学习效率，直至满足要求，实现分类，样本输出。

GA-BP神经网络算法的训练，求解全局最优，其操作步骤：

（1）建立GA-BP神经网络，确定GA参数；

（2）初始化GA-BP神经网络，输入训练样本；

（3）计算个体样本，判断学习误差；

（4）利用GA算法的多点寻优能力优化BP神经网络的权值；

（5）判断学习精度是否满足，重复步骤（4），直至满足训练精度，亦或达到GA算法的最大训练次数，输出全局最优权值、阈值，确定最优神经网络。详细算法流程见图2。