[发明专利]一种基于改进VGGNet网络和PCA的静态手势识别方法

说明书

本发明公开了一种基于改进VGGNet网络的静态手势识别方法，该方法将VGGNet网络进行改进，使用不同的分支来学习标签信息，同时在网络中引入哈希层将手势图像的特征投影到汉明空间，通过计算汉明距离来提高处理手势的效率。将改进后的VGGNet网络和传统的主成分分析方法相结合来进行手势识别，首先将原始数据集和增强后的数据集作为输入数据对VGGNet网络进行训练，得到手势图像的高维特征，然后通过主成分分析法PCA将高维图像特征进行降维，减小特征向量长度，缩短图像之间的相似性度量的计算时间，从而提高提高手势识别的精度和效率。

技术领域

本发明涉及一种静态手势识别方法，具体是一种基于改进VGGNet网络和PCA的静态手势识别方法。

背景技术

20世纪90年代，为了解决人工标注方式存在的问题，研究人员开始将特征提取的目光转向图像内容的本身，于是一系列基于内容的图像识别方法开始被提出并广泛应用。为了准确的描述图像的特征，早期的CBIR技术大多数使用全局视觉特征来进行图像的描述。这种特征描述方式比较简洁，使用者可以很方便高效的进行图像检索。但是，由于这种方法提取的是图像低层视觉特征，当遇到外界因素的干扰，如光照强度、遮挡、形变等恶劣条件时，此时无法准确提取到图像的有效特征。近年来，随着CNN在计算机视觉领域获得巨大成功，基于深度学习的图像特征提取方法开始流行起来。

手势识别作为人机交互的一种重要的方式，随着科技的发展已经开始步入人类的生活并且在一些特殊的场合达到了比人类与机器通过键盘鼠标交互更好的效果，大大方便了人类的生活，提升了生活质量。目前人类已经步入大数据时代，传统的手势识别方法在面对海量以及各种外界条件影响的状态下识别往往不尽人意。

发明内容

本发明的目的是为了提高手势识别的精度和效率，而提供一种基于改进VGGNet网络和PCA的静态手势识别方法。

实现本发明目的的技术方案是：

一种基于改进VGGNet网络和PCA的静态手势识别方法，包括如下步骤：

(1)输入原始图像I(x,y)；

(2)预估出每个位置的噪声，并剔除；假设人眼看到的图像I是图像光照分量L和反射率分量R的乘积，具体表示如公式1所示：

I(x，y)＝R(x，y)·L(x，y) (1)

(3)分离三个颜色通道空间分量并转化到对数域；从所拍摄的图片I中合理计算出光照L，保留住物体的固有属性R，并对公式1两边取对数，然后令i(x,y)＝log(I(x,y))，r(x,y)＝log(R(x,y))，l(x,y)＝log(L(x,y))可得到公式2：

i(x,y)＝r(x,y)+l(x,y) (2)

(4)设置高斯函数尺度的个数及大小；

(5)高斯函数对图像的三个通道进行滤波，滤波后的图像就是光照分量，获取图像r(x,y)；反射分量计算公式如下：

r_i(x,y)＝i_i(x,y)-i_i(x,y)*G(x,y) (3)

其中，i_i(x,y)表示第i个通道的原始图像，G(x,y)为高斯滤波函数，r_i(x,y)表示第i个通道的反射分量，*代表卷积，σ为尺度参数；

(6)采用多尺度的Retinex算法对手势图像进行数据增强；

(7)构建基于VGGNet网络结构：采用VGGNet16网络模型进行训练，对VGGNet16进行网络结构定义及初始化，设置学习率lr、批大小batch和迭代轮次epochs等；