基于卷积神经网络的手势识别方法

使用手势图像作为输入,通过4个卷积层,每2个卷积层后接1个池化层。第一个卷积层利用64个3×3的3通道卷积核对128×128的原始手势图像进行特征提取,第二个卷积层利用32个3×3卷积核进行特征提取,并采用2×2的池化窗口进行降维,第三和第四个卷积层分别利用32个3×3的卷积核和16个3×3的卷积核提取特征,再用2×2的池化窗口进行降维。网络经过全连接后,利用Dropout技术移除一些节点及其相关的输入、输出连接后,将其送入SoftMax层进行分类判决。实验结果表明:所提方法的手势识别准确率可达到97%左右,验证了该模型的有效性。

关于残差网络的手势识别算法实现

残差网络作为卷积神经网络中的经典模型,受到了研究者的广泛关注,因此产生了多种衍生模型。同时,手势识别也是当前的热点研究领域,在利用残差网络实现手势识别方面已有大量研究成果。本文利用了多种残差网络模型的衍生模型,对ASL手势数据集进行训练,得到了不同模型下的实验结果。其中,训练结果最好的模型是Res Net18v1,它的识别正确率最高可达到93.3%。研究结果表明:在残差网络的衍生模型中,所堆叠的卷积层数越多,对准确率的提升效果不一定越强,需要根据任务要求,灵活选择模型并应用。