[发明专利]基于GL优化的神经网络手势识别人机交互方法

摘要

本发明涉及基于GL优化的神经网络手势识别人机交互方法，通过Data Glove 14 Ultra数据手套对操作者的手势进行采集，再将采集到的数据进行处理，然后通过基于GL算法优化的神经网络进行网络学习训练，最后将其训练好的算法应用到基于数据手套的手势识别中，实现机器人的遥操作。

主权项

1.一种基于GL优化的神经网络手势识别人机交互方法，其特征在于，包括手势定义、GL优化RBF网络算法及手势的提取与匹配：在手势定义包括以下步骤：(1)通过Data Glove 14 Ultra数据手套的传感器采集手势数据；(2)为保证每个传感器的输出值在0～1之间，对采集到的数据进行分析及归一化处理，即其中raw_max和raw_min表示原始数据的最大值和最小值，要通过多次试验来设定；Max表示校正数据的最大值，即校正数据的范围为[0…Max]；raw_val表示原始数据的当前测量值；out表示经计算之后的校正数据；(3)根据机器人的主要运动轴L、S、U、R、B、T定义其控制手势；GL算法优化RBF神经网络步骤为：(1)采用最近邻聚类法，对经预处理的输入数据进行聚类，从而确定隐含层各个神经元的基函数中心，然后依据聚类的结果选取适当的基宽度，取基宽值为聚类中心与训练样本之间的平均距离，即：式中b为基宽度，M_j为样本类中的模式数，x为网络的输入向量，C_j为基函数中心，在给定遗传代数内进行初步计算得到权值系数的一组初值；(2)其次，运用GA算法微调步骤(1)中得到的初值，然后采用遗传算法和LM交替训练神经网络，进行最优化求解；(3)根据所要求的训练精度及构造函数的逼近性能对函数模板进行调整，在重复步骤(2)中LM算法与遗传算法的交替训练，直到满足设定的精度或者达到训练的最大次数时输出其最优值；手势提取匹配包括以下步骤：(1)将采集到的连续流数据进行分割提取，通过软件设计设置采样时间，将连续的手势数据流变为离散的静态手势片段；设想St＝(s1，s2，…，sn)，即St表示时间长度为t的连续数据流，s1到sn则表示为连续数据流切割后的手势片段；将每个待测的手势片段与目标手势模板按照相似度进行逐点累加比对，输出局部最优解，最后输出全局最优解作为最终的手势匹配；其误差判别方法为Δ(s_i，m_i)＝1/2(s_i‑m_i)²,Δ(s_i，m_i)为待测片段si与目标手势模板mi的误差度；(2)为了减小手势片段对比过程中产生的不必要局部最优值，设置一个误差阈值δ用于排除干扰，进行误差判断。