[发明专利]一种基于纠错策略的CNN-SVM混合模型手势识别方法

说明书

本发明提供了一种基于纠错策略的CNN‑SVM混合模型手势识别方法，属于人机交互领域。所述基于纠错策略的CNN‑SVM混合模型手势识别方法首先对采集到的手势数据进行预处理，然后自动提取特征并进行预测分类得到分类结果，最后利用纠错策略对所述分类结果进行纠正。利用本发明方法降低了易混淆手势之间的误识率，提高了静态手势的识别率。

技术领域

本发明属于人机交互领域，具体涉及一种基于纠错策略的CNN-SVM混合模型手势识别方法。

背景技术

随着计算机在当今社会越来越普及，一种便捷自然的人机交互(HCI)方式对使用者来说尤为重要。在众多的人机交互方式中，手势作为一种自然、简洁、直观的人机交互方式受到了越来越多人的关注，而且其在各种现实场景中都能发挥重要的作用，如体感游戏、手语识别、智能穿戴设备和智能教学等方面。手势识别的目的在于设计一种算法使计算机能够识别出图片或者人体的手势，理解手势的含义，从而实现人与计算机的交互。在手势识别过程中，手势通常是处于复杂的环境下，为了精准的进行人机交互，所设计的手势识别算法应该在各种光线、角度、背景以及其他复杂环境下都有良好的识别能力。

传统的手势识别算法主要基于隐马尔可夫模型(HMM)和模板匹配。其中，基于隐马尔科夫模型的手势识别方法，该模型可以用于表达一个隐含未知参数的马尔科夫过程，而手势识别的过程可以看做是一个含有时间序列的马尔科夫链，因此该模型可以应用于手势识别。基于末班匹配的手势识别方法将手势的轮廓、边缘、空间分布等信息作为特征建立手势模板，应用模板匹配算法实现手势识别。这两种方法需要人工提取特征，而人工提取的手势特征需要大量的经验基础，并且人工提取的特征具有一定的主观性和局限性，使得其容易忽视一些显著性的特征，因此传统方法往往识别能力有限且效率不高。

卷积神经网络(Convolutional Neural Network,CNN)是目前机器视觉和图像处理领域应用最广泛的模型之一，卷积神经网络可以通过训练学习得到输入图像的局部和全局特征，解决了人工提取特征带来的特征提取不充分的问题。近几年来，卷积神经网络已经成功的应用于图像检索、人脸识别、表情识别和目标检测。已经有学者将CNN应用于手势识别领域，Jawad Nagi等人将最大池化层与卷积神经网络相结合(MPCNN)用于手势识别取得了不错的效果， Takayoushi等人提出了一种端到端的深度卷积网络实现了手势识别，同时提高了手势识别的准确率。在手势识别应用上，一般采用的都是比较浅的网络，在传统的静态手势识别方法中，基于人工特征提取的手势识别方法耗时长，识别率低。

发明内容

本发明的目的在于解决上述现有技术中存在的难题，提供一种基于纠错策略的CNN-SVM混合模型手势识别方法，采用的网络更深，能够学习到更加深层次的特征，降低模型对易混淆手势的误识率，最终实现静态手势的识别。

本发明是通过以下技术方案实现的：

一种基于纠错策略的CNN-SVM混合模型手势识别方法，首先对采集到的手势数据进行预处理，然后自动提取特征并进行预测分类得到分类结果，最后利用纠错策略对所述分类结果进行纠正。

所述方法包括：

第一步：对采集到的数据进行预处理得到训练样本和测试样本；

第二步：获得CNN-SVM混合模型；

第三步：将测试样本输入到第二步得到的CNN-SVM混合模型中，得到分类结果以及分类结果的概率估计以及混淆矩阵；

第四步：基于第三步得到的概率估计以及混淆矩阵得到纠错策略，然后利用纠错策略对分类结果进行纠正。

所述第一步的操作包括：

(11)采集静态手势，分别获取手部的深度图像和彩色图像；

(12)对所述深度图像进行处理获得掩模图像；