[发明专利]一种基于神经网络优化的穿戴式设备手势识别方法

说明书

本发明公开了一种基于神经网络优化的穿戴式设备手势识别方法，包括以下步骤：采集手势运动数据；进行预处理得到训练样本手势数据；确定静态手势的手势模板；利用聚类融合算法对训练样本手势数据进行聚类融合；建立RBF神经网络并优化，将聚类处理后的训练样本手势数据分别输入到优化后的RBF神经网络学习和训练得到对应的分类器，根据分类器的输出结果判断对应的静态手势，计算分类误差；构建混合聚类群集，利用混合聚类群集训练优化后的RBF神经网络；利用训练完毕RBF神经网络进行手势识别测试。本发明通过聚类融合算法对手势数据分别聚类处理减少了训练数据集，缩减了训练时间，提高了手势识别效率，通过遗传算法对神经网络优化，提高了识别的准确度。

技术领域

本发明涉及智能识别领域，更具体地，涉及一种基于神经网络优化的穿戴式设备手势识别方法。

背景技术

随着当今科学技术的发展，计算机已经渗透于生产和生活的各个方面,人机交互技术也在日臻完善。手势，作为人类最常用的表达方式，是一种自然、直观、高效、易于学习的人机交互手段。手势识别技术在人机交互领域是一个关键的技术，通过数学算法实现人类手势识别。常用的手势识别算法分为三类：一是基于神经网络的识别算法，对数据有强分析能力；二是基于隐马尔科夫模型(HMM)的识别算法，该方法对不同的数据选择专门的函数进行处理，将数据的维度分解，降低数据处理的复杂性；三是基于几何特征的识别算法，这种方法采用对搜集好的数据模板进行相识度的匹配，是传统直接的手势识别技术。手势识别技术已经渗透到人们的方方面面，为了实现更好的人机交互方式，设计出高精度，高效率的手势识别方法也日益成为该科研领域的核心。

目前的手势识别技术分为基于数据手套和基于计算机视觉两大类。基于计算机视觉采集一般还细分为静态图像采集和动态图像采集，采集的方式有拍摄图片或视频，目的是为了获取某个时刻的图像片段，再将采集图像经计算机处理，根据手势特征和手势定义来实现人机交互。基于数据手套通常是在智能穿戴式设备传感器采集到的数据进行归一化处理，处理后与定义的手势模板进行识别和匹配，进而实现人机交互。计算机视觉的手势识别技术易受干扰，数据量大，相对的实时性较差，识别周期长，识别效率低。

发明内容

本发明为克服上述现有技术中手势识别方法训练数据量大，识别的周期长，识别效率低的缺陷，提供一种基于神经网络优化的穿戴式设备手势识别方法。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

一种基于神经网络优化的穿戴式设备手势识别方法，包括以下步骤：

S1：利用穿戴式设备采集手势运动数据；

S2：手势运动数据进行归一化处理后并滤波去噪得到用于神经网络训练的训练样本手势数据；

S3：从训练样本手势数据中提取每一种手势的手形特征，结合现有的手势特征点集，确定出每一种静态手势的手势模板；

S4：利用聚类融合算法对训练样本手势数据进行聚类融合处理，所述聚类融合算法包括若干种聚类算法；

S5:建立四个RBF神经网络，分别记为第一RBF神经网络、第二RBF神经网络、第三RBF神经网络、第四RBF神经网络，确定四个RBF神经网络的基函数中心，利用遗传算法确定四个RBF神经网络的初始权值并进行优化；

S6：将聚类融合算法聚类处理后的训练样本手势数据分别输入到优化后的第一RBF神经网络、第二RBF神经网络、第三RBF神经网络进行学习和训练得到对应的分类器，根据每个分类器的输出结果判断对应的静态手势，计算出每个分类器的分类误差；

S7：根据每个分类器的分类误差，构建混合聚类群集，选择分类误差最小对应的聚类算法产生的集群结果进入混合聚类群集，利用混合聚类群集训练优化后的第四RBF神经网络；