[发明专利]一种误识手势检测和纠错方法

说明书

本发明提供了一种误识手势检测和纠错方法，属于手势识别领域。所述误识手势检测和纠错方法将任意一张手势的图片i输入到卷积神经网络进行识别得到类别号m，然后提取该图片i在卷积神经网络中的第5层卷积层的特征，计算第6通道和第58通道上的三维曲面峰值，通过对三维曲面峰值的判断实现对误识手势检测和纠错。本发明方法与传统的方法相比准确率提高了20％左右。

技术领域

本发明属于手势识别领域，具体涉及一种误识手势检测和纠错方法。

背景技术

静态手势识别是指从单一的手势图像或者从视频流的某一帧图像中，检测出手势的区域，并且判断出该手势所表达的信息的一种图像识别方法。静态手势识别是动态手势识别的重要组成部分，静态手势识别的研究成果可以应用在动态手势识别中。

机器学习的方法是静态手势识别中一种常见的应用手段。Papamarkos等人对手势的几何形态进行了研究，采用神经网络的方法查找出手指的区域，通过手指的区域定位手势的质心，实验表明该方法具有良好的识别效果。Georganas等人对手势进行分割和二值化处理后，采用Haar-like方法提取手势的特征，并结合AdaBost算法对特征进行训练，该方法简单有效，具有良好的实时性。Muller等人采用贝叶斯方法识别手势，该方法可识别出手势的多种形态。Wangenheim等人对比了各种基于机器学习的手势识别技术，最后表明基于支持向量机的特征训练方法对手势的识别率较高。Ja1ab等人采用小波变换提取手势的特征，并结合神经网络方法进行训练，对六种手势取得了较好的识别效果。浙江大学的王修阵等人通过建立手势特征库，对手势采用自适应遗传算法与特征库进行匹配实现手势识别。东北大学的覃文军等人将傅立叶描述子和BP神经网络结合起来，实现了手势的识别。浙江工业大学的姚明海等人采用PCA方法对手势进行在线识别，通过在线的不断更新，能够对手势实现较高的识别率。

基于几何特征的手势识别方法也是手势识别中的常用算法。Priyal等人采用矩特征来识别手势的几何形态，并对特征进行归一化，该方法对手势的扭曲具有一定的鲁棒性。Akhte等人提取手势的轮廓并将其映射到三维向量空间中进行识别，该方法可以识别十种手势。同济大学的王晓年等把二值化的手势图像分割成多个区域，计算出每个区域内目标的分布来识别手势。湖南大学的张汗灵等采用梯度方向直方图方法描述手势的局部边缘信息，并采用Zernike矩描述手势的整体信息，实验证明该方法对光照和尺度缩放具有鲁棒性。总体来说，静态手势识别方法依赖于手势鲁棒特征的选取以及机器学习中模型参数的训练，而鲁棒的手势特征对训练模型的泛化能力又具有举足轻重的地位，但在实际应用中，由于手势具有千差万别的变化形态，使得手势识别的准确率受到了影响。

动态手势的识别方法与静态手势不同，动态手势的识别需要获取目标运动的速度、角度和方向等信息(可参考文献“闯跃龙,陈岭,陈根才.基于层次化BoF模型和Spectral—HIK过滤的手势识别算法[J].浙江大学学报:工学版,2013(9):1531-1536”)。基于隐马尔科夫模型(HMM)的手势识别方法是动态手势识别的常用方法。Michaelis等利用HMM模型对手势的动态轨迹进行了识别。Stergiopoulou等人将神经网络方法和HMM方法结合使用，可以提高动态手势的识别效果，并且该方法具有光照鲁棒性。Shrivastava将手势图像映射到Lab色彩空间下，提取手势的矩特征和运动方向特征，之后基于隐马尔科夫模型对手势进行识别，具有较好的识别效果。中国科学院的王西颖等将模糊神经网络与隐马尔科夫模型相结合，该方法对动态手势的识别效果较好。