[发明专利]一种基于随机投影多核学习的手势识别方法

权利要求书

1.一种基于随机投影多核学习的手势识别方法，其特征在于，包括如下步骤：

S1、采集手势图像，并对图像进行预处理，预处理包括手势定位和手势分割；

S2、对预处理分割后的手势提取sift特征；

S3、采用k-means算法训练学习字典，然后使用迭代字典更新算法更新字典；

S4、对手势图像进行空间金字塔划分，并对在每层空间金字塔中对手势图像的sift特征，根据训练得到的字典进行编码，得到特征向量，并对特征向量进行级联，接着使用随机投影进行对特征向量降维；

S5、对每层金字塔降维后的特征向量学习核矩阵，学习核矩阵方法采用多核模型学习算法进行分类学习，得到最优核矩阵组合系数；

所述步骤S5具体为：

S51、采用非线性径向基核函数K_l(x_i,x_j)＝exp(-γ_lf(x_i,x_j))，其中γ_l取所有训练数据距离的平均值，是第l层空间金字塔的特征向量x_i和x_j映射到φ特征空间后向量的点积，即对每层金字塔学习一个核矩阵；

S52、根据核矩阵，采用多核模型学习算法得到最优核矩阵组合系数，并得到最终分类的核矩阵在支持向量机的基础上，利用训练集学习得到最优的核矩阵系数，目标函数定义为：

s.t.y_i(w^tφ(x_i)+b)≥1-ξ_i,ξ≥0,d≥0,Ad≥p

其中，C为惩罚项，Ad≥p为限制项，此时将核矩阵改写为：

采用投影梯度法求解最小的T(d)，即的求解是这个优化问题的关键，因此将问题进行转化求解，得到其对偶式为：

s.t.0≤α≤C,1^tYα＝0

其中Y是标记训练数据类别的对角矩阵，K_l为核矩阵K的第l列，α与支持向量有关；根据强对偶的原理，对于任意系数d，都有T(d)＝W(d)，记W取最大值时，α的值为α^*，并且具有唯一性；由于核矩阵都是严格可微的，因此W取最大值时也是可微的，因此有：

最终得到系数d，再根据训练的数据求解分类器参数a和b，得到多核模型分类器

2.根据权利要求1所述的一种基于随机投影多核学习的手势识别方法，其特征在于，所述步骤S1中预处理，具体为：

S11、采用Grayworld光线补偿算法，降低光照环境对于后续手势分割的影响；

S12、采用HSV和Ycbcr混合空间模型方法进行肤色检测，进一步定位手势区域，在手势区域内提取手势的最小外接矩形；

S13、在最小外接矩形中，采用形态学的膨胀与腐蚀操作，对手势进行分割处理以及平滑手势的边缘；最后在最小外接矩形内提取手势。