[发明专利]基于深度学习的手语识别方法

摘要

本发明公开了基于深度学习的手语识别方法。其步骤为：(1)划分数据库样本集；(2)采集图像块，(3)白化数据；(4)训练稀疏自编码网络；(5)获得卷积特征图；(6)获得池化特征图；(7)训练分类器；(8)测试分类结果。本发明用反向传导算法，训练稀疏自编码网络，使得本发明在处理复杂背景数据时提高了识别率，本发明选取稀疏自编码网络的权值作为卷积核，通过卷积，获得卷积特征图，将有监督学习和无监督学习结合起来，减少了手工标注标签的人力和物力，本发明采用最大池化方法，获得池化特征图，减小特征维度，减小了手语识别任务的复杂性。

主权项

1.一种基于深度学习的手语识别方法，其特征在于，随机从数据中抽取10张有标签的图像，使用线性支持向量机来作为分类器；该方法的步骤包括如下：(1)划分数据库样本集；(1a)提取手语图像数据集中的手语图像，将所提取的手语图像调整成32×32像素的手语图像；(1b)将调整后的所有手语图像均分为两部分，分别作为手语图像的训练样本和测试样本；(2)采集图像块：对训练样本的每一张手语图像随机采集10张图像块；(3)白化数据：对每一张采集的图像块进行白化处理，得到白化后的图像块；所述的对每一张采集的图像块进行白化处理是按照如下步骤进行的：第1步，按照下式，分别计算每一张采集的图像块中每一个像素的均值：其中，表示每一张采集的图像块中每一个像素的均值，m表示图像块的数目，x_oⁱ表示第i个图像块，i∈[1,m]，∈表示属于符号；第2步，用每个图像块减去均值，得到去均值化图像块；第3步，按照下式，计算图像块的奇异矩阵；其中，U表示图像块的左奇异向量组成的矩阵，S表示图像块的奇异值元素组成的对角矩阵，V表示图像块的右奇异向量组成的矩阵，svd(·)表示奇异值分解操作，m表示输入图像块的数目，xg表示第g张去均值化图像块，g∈[1,m]，∈表示属于符号；第4步，按照下式，对去均值化图像块进行去相关处理；其中，y表示去相关处理后的图像块，U表示图像块左奇异向量组成的矩阵，S表示图像块的奇异值元素组成的对角矩阵，ε表示规则化参数，ε的取值范围为0.01～0.1，T表示转置操作，x表示去均值化图像块；(4)训练稀疏自编码网络：(4a)将白化后的图像块作为稀疏自编码网络的输入矩阵和目标矩阵；(4b)采用正态分布函数，随机初始化稀疏自编码网络的权值和偏置；所述的正态分布函数的均值为0，方差的随机取值范围为0.01～0.1；(4c)采用反向传导算法，更新稀疏自编码网络权值和偏置，得到稀疏自编码网络的权值；(5)获得卷积特征图；(5a)将训练样本和测试样本作为卷积的输入矩阵；(5b)按照稀疏自编码网络的权值排列顺序提取11×11大小的卷积核；(5c)采用卷积公式，对输入矩阵进行卷积，得到输入样本和测试样本的卷积特征图；(6)获得池化特征图；采用最大池化方法，对训练样本和测试样本的卷积特征图进行池化处理，得到训练样本和测试样本的池化特征图；(7)训练分类器；用训练样本的池化特征图训练线性支持向量机分类器得到分类模型；(8)测试分类效果；用分类模型对测试样本的池化特征图进行分类，得到测试样本的分类结果。