基于卷积神经网络在手势数字识别中的研究分析

近年来,基于卷积神经网络(CNN)的图像分类应用越来越广泛。为建立一种CNN手势数字识别模型,使用手势数字数据集,利用Pytorch深度学习框架构建了AlexNet、VGG16、ResNet50三种经典卷积神经网络,实现了手势数字识别模型。将测试数据输入训练完成的网络模型中,对比分析识别结果,实验表明:卷积神经网络在手势数字识别上拥有极佳的表现,且ResNet50模型的准确率可达93.3%,识别效果优于其他两种模型。

基于数据手套和神经网络的数字手势识别方法

针对使用数据手套进行数字手势识别时存在个体差异的问题,使用弯曲电阻片设计了数据手套并提出了基于神经网络的数字手势识别方法.首先,在分析测量电路原理的基础上结合弯曲电阻片的特性优选了电路参数,使手指弯曲角度测量的灵敏度最大化.其次,针对用户在手指长度、手势习惯上存在个体差异的情况,提出了一种基于弯曲信号自学习和广义回归神经网络(GRNN)的数字手势识别方法.数据手套信号测试及数字手势试验结果表明,采用优选的电路参数时测量电路的输出振幅最大;在全体评估试验和个体交叉评估试验中,经过自学习预处理后的数字手势识别平均准确率分别为99.2%和96.1%,与未进行自学习处理的识别结果相比分别提高了2.8%和10.7%.在全体评估试验和个体交叉评估试验中,GRNN的识别结果均优于决策树的识别结果.