[发明专利]一种基于卷积神经网络的手势识别方法

说明书

本发明公开了一种基于卷积神经网络的手势识别方法，该方法包含YOLOV5的特征提取阶段、利用OpenCv特征的分类剥离阶段、特征数据深度学习阶段，具体步骤为：构建YOLOV5特征提取平台构建、特征载体及调试控制函数；将YOLOV5作用于手势识别二维模型上并将其特征以矩阵、图像方式呈现出来，在OpenCv数据库的作用下得到的特征通过图像识别的方式进行剥离；将剥离出来的特征作为训练数据进行深度学习训练，从而使计算机可以自主识别手势识别的特征。该方法增强了手势识别自主设计的过程可控性、提高了手势识别的精度和效率。

技术领域

本发明涉及模式识别技术领域，特别是涉及一种基于卷积神经网络的手势识别方法。

背景技术

当前的手势识别系统广泛应用于人机交互中，并朝着高精度、高效率、低设计成本不断发展。而手势识别人机交互系统的智能化、高效化、自动化直接影响了系统的使用性能，为了提高手势识别设计知识的重用度以及手势识别的设计效率，满足该领域对于手势识别的高质量需求，研制一种基于卷积神经网络的手势识别方法具有重要的现实意义。

从现阶段的专利公开以及文献资料显示，一种用于表面肌电信号手势识别的快速适配方法(CN202210183516.9)利用同一设备采集不同用途的手部表面肌电信号，并对表面肌电信号数据进行分割样本，将处理后的表面肌电信号数据进行训练进行手势识别，该方法将造成手势识别设计过程过于复杂，每设计一个手势识别就需要一次表面肌电信号数据参数，而且往往结果很难达到较高的精度；一种毫米波雷达微动手势识别方法(CN202210164177.X)，该方法通过信号接收器接收人体手部反射的回波信号，根据线性调频信号构成的发射信号集和回波信号构成的回波信号集获取差频组合集，计算获取的差频组合集与差频样本集的匹配度，将匹配度与差频样本集构成的匹配范围进行筛选，得到人体手势的识别结果，该方法不能准确的描绘出手势识别中的细节部分，造成手势识别设计不完整；一种基于多视角三维骨骼信息融合的动态手势识别方法(CN202210276784.5)采用基于滑动窗口的检测方法对原始动态多手势序列进行分割和处理得到多个等长的单手势序列，对单手势序列进行分类，获得对应手势分类结果，该方法精度较低、适应性较差。

综上，现有的发明在手势识别设计中，在一定程度上可以实现手势识别，但存在只能通过现有编程完成设计要求、准备时间长、识别率低、错误率高等诸多问题，而在手势识别中，很多时候需要计算机的自主判断，因此，现有技术实施效果未能满足手势识别应用高质量、高效率的发展要求。

发明内容

本发明针对复杂手势识别设计，提出一种基于卷积神经网络的手势识别方法，辅助设计人员进行设计，提高手势识别设计效率，提高手势识别设计质量、减少设计反复，提升手势识别设计能力，积累设计经验与知识、重用设计知识，提升手势识别研发能力，缩短手势识别研制周期。本文成果可推广应用到其它复杂装备产品设计，有利于提高其设计质量和设计效率，提升研发能力，积累重用设计知识。

本发明通过以下技术方案来实现上述目的：