[发明专利]手势识别方法、装置、设备及计算机可读存储介质

权利要求书

1.一种手势识别方法，其特征在于，所述方法包括：

获取手势图像；

对所述手势图像进行预处理，得到特征手势图像，所述预处理包括对所述手势图像进行中心裁剪，得到标准手势图像，以及，将所述标准手势图像转换为张量数据类型；

通过手势识别模型中的特征提取层对所述特征手势图像进行空洞卷积处理，得到所述特征手势图像的输出特征，所述输出特征用于表征所述手势图像在多个维度的特征；

对所述输出特征进行加权运算，得到多个加权结果，每一个加权结果对应一种手势类别；

将所述加权结果进行归一化输出，得到所述手势图像属于每一种手势类别的概率；

将所述概率的最大值所对应的手势类别作为所述手势图像所属类别。

2.根据权利要求1所述的方法，其特征在于，所述特征提取层包括空洞卷积层、激活函数层和池化层，所述通过手势识别模型中的特征提取层对所述特征手势图像进行空洞卷积处理，得到所述特征手势图像的输出特征，包括：

通过所述空洞卷积层将所述特征手势图像与多个空洞卷积核进行卷积运算，得到多个空洞卷积特征图；

通过激活函数层对每一个空洞卷积特征图进行非线性运算，得到每一个空洞卷积特征图对应的非线性卷积特征图；

通过池化层对每一个非线性卷积特征图进行池化，得到每一个非线性卷积特征图的输出特征。

3.根据权利要求2所述的方法，其特征在于，所述通过池化层对每一个非线性卷积特征图进行池化，得到每一个非线性卷积特征图的输出特征，包括：

将每一个所述非线性卷积特征图划分为多个区域；

将每一个区域的最大值作为所述区域的表征值，以得到所述输出特征。

4.根据权利要求1所述的方法，其特征在于，在获取手势图像之前，所述方法还包括：

构建手势识别模型；

获取多个训练图像；

对每一个训练图像进行预处理，得到每一个训练图像对应的训练特征图像；

对每一个训练特征图像的类别进行标识，得到每一个训练特征图像的标识信息，同一类别的训练特征图像对应的标识信息相同，不同类别的训练特征图像对应的标识信息不同；

将每一个训练图像的训练特征图像及其标识信息作为一组训练样本，以得到多组训练样本；

根据所述多组训练样本训练所述手势识别模型，得到训练好的手势识别模型。

5.根据权利要求4所述的方法，其特征在于，所述根据所述多组训练样本训练所述手势识别模型，得到训练好的手势识别模型，包括：

将所述多组训练样本划分为多个批次；

通过手势识别模型中的特征提取层对第一批次的训练样本进行空洞卷积处理，得到所述第一批次的训练样本对应的样本输出特征；

通过全连接层对所述样本输出特征进行加权，得到每一组训练样本的多个样本加权结果；

将所述样本加权结果进行归一化输出，得到每一组训练样本属于每一种手势类别的样本概率；

根据所述样本概率和所述标识信息计算损失函数值；

根据所述损失函数值更新所述手势识别模型的权重；

将所述第一批次更新为第二批次，并执行通过手势识别模型中的特征提取层对第一批次的训练样本进行空洞卷积处理，得到所述第一批次的训练样本对应的第一特征，直至所述损失函数值最小，所述第二批次与所述第一批次为不同批次；

将所述损失函数值最小的手势识别模型作为训练好的手势识别模型。

6.根据权利要求5所述的方法，其特征在于，所述根据所述样本概率和所述标识信息计算损失函数值，包括：

根据所述样本概率和所述标识信息计算所述第一批次的每一个训练样本的损失函数值；

将所有训练样本的损失函数值的均值作为所述第一批次的损失函数值。

7.根据权利要求5所述的方法，其特征在于，所述根据所述损失函数值更新所述手势识别模型的权重，包括：

根据所述损失函数值计算损失函数的梯度；

根据所述梯度更新所述手势识别模型的权重。