基于双分类器的自适应单双手手势识别 
下载： 977次
Adaptive One-Hand and Two-Hand Gesture Recognition Based on Double Classifiers
1 贵州大学大数据与信息工程学院, 贵州 贵阳 550025
2 贵阳铝镁设计研究院有限公司, 贵州 贵阳 550009
图 & 表
图 1. 最大池化示例
Fig. 1. Maximum pooling example
下载图片 查看原文
图 2. 第j 类分类过程
Fig. 2. Classification process for jth category
下载图片 查看原文
图 3. 二分类单双手手势识别模型结构
Fig. 3. One-hand and double-hand gesture recognition structure based on two classifiers
下载图片 查看原文
图 4. 手数分类器网络结构
Fig. 4. Network structure of hand number classifier
下载图片 查看原文
图 5. 手势重心距离计算图示
Fig. 5. Calculation of distance between centers of gavity of hand gestures
下载图片 查看原文
图 6. 手势分组预测示意图。(a)手势二值图;(b)手势重心图;(c)手势分组预测图
Fig. 6. Diagrams of gesture grouping prediction. (a) Gesture binary graphs; (b) centers of gravity of hand gestures; (c) gesture grouping prediction maps
下载图片 查看原文
图 7. 自适应增强卷积神经网络结构
Fig. 7. Adaptive enhanced convolutional neural network structure
下载图片 查看原文
图 8. ASL的9类手势样本
Fig. 8. Nine types of gesture samples from ASL
下载图片 查看原文
图 9. 自建单双手手势数据集样本。(a)单手手势;(b)双手手势
Fig. 9. Samples of one-hand and double-hand gesture data sets. (a) One-hand gestures; (b) double-hand gestures
下载图片 查看原文
图 10. 数据扩展及复杂背景手势样本。(a)复杂背景手势;(b)数据扩展
Fig. 10. Data expansion and complex background gesture samples. (a) Complex background gestures; (b) data expansion
下载图片 查看原文
图 11. CNN和AE-CNN的收敛性和误识率对比。(a)CNN, CNN+Dropout和AE-CNN的收敛曲线;(b)CNN和AE-CNN的误识率
Fig. 11. Convergence and error rate curves of CNN and AE-CNN. (a) Convergence curves of CNN, CNN+Dropout,and AE-CNN; (b) error rate curves of CNN and AE-CNN
下载图片 查看原文
图 12. 部分手势(0,2,5,9)的LBP特征。(a)手势0 LBP特征;(b)手势2 LBP特征;(c)手势5 LBP特征;(d)手势9 LBP特征
Fig. 12. LBP features of hand gestures (0,2,5, and 9). (a) LBP feature of zero gesture; (b) LBP feature of two gesture; (c) LBP feature of five gesture; (d) LBP feature of nine gesture
下载图片 查看原文
图 13. 部分手势HOG特征和HOG+PCA降维重构图
Fig. 13. HOG features of partial gestures and HOG+PCA dimensionality reduction reconstruction maps
下载图片 查看原文
图 14. 添加不同噪声的预处理图。(a)椒盐噪声归一化;(b)椒盐噪声二值图;(c)高斯噪声二值图;(d)高斯噪声密度分布图;(e)高斯噪声归一化
Fig. 14. Preprocessing graphs after adding different noise. (a) Normalization of salt and pepper noise; (b) binary map of salt and pepper noise; (c) binary map of Gaussian noise; (d) distribution of Gaussian noise density; (e) normalization of Gaussian noise
下载图片 查看原文
表 1手数分类器网络参数
Table1. Network parameters of hand number classifier
| Name | Convolution kernel |
|---|
| C1 | 3×3(32) | | S1 | 2×2 max pooling | | C2 | 3×3(64) | | S2 | 2×2 max pooling | | Dropout | 0.5 |
|
查看原文
表 2各分类网络的数据量
Table2. Amount of data of classification networks
| Classifier | C | A |
|---|
| Training set | 10210 | 21100 | | Test set | 1920 | 3960 |
|
查看原文
表 3AE-CNN与其他算法的识别率对比
Table3. Comparison of recognition rate between AE-CNN and other algorithms
| Method | Recognition rate /% |
|---|
| LBP+SVM[15] | 89.73 | | HOG+SVM[16] | 91.81 | | PCA+HOG+SVM[17] | 94.35 | | AE-CNN | 97.87 |
|
查看原文
表 4添加高斯噪声和椒盐噪声的识别率对比
Table4. Comparison of recognition rate between Gaussian noise and salt and pepper noise
| Noise | Gaussian noise | | Salt and pepper noise |
|---|
| 0 | 0.001 | 0.002 | 0.003 | 0 | 0.001 | 0.002 | 0.003 |
|---|
| Recognition rate /% | 97.10 | 96.84 | 96.49 | 96.04 | | 97.10 | 96.77 | 96.61 | 96.32 |
|
查看原文
表 5复杂背景和不同光照下的样本识别率
Table5. Recognition rate of samples under complex background and different lighting conditions
| Group | Number of images with complex background | Number of images under different lighting conditions | Recognition rate /% |
|---|
| 1 | 40 | 10 | 95.26 | | 2 | 31 | 19 | 93.65 | | 3 | 35 | 15 | 94.37 | | 4 | 28 | 22 | 93.41 | | 5 | 24 | 26 | 93.34 |
|
查看原文
张政, 徐杨. 基于双分类器的自适应单双手手势识别[J]. 激光与光电子学进展, 2021, 58(2): 0210005. Zheng Zhang, Yang Xu. Adaptive One-Hand and Two-Hand Gesture Recognition Based on Double Classifiers[J]. Laser & Optoelectronics Progress, 2021, 58(2): 0210005.
PDF全文
