[发明专利]一种优化投影对称性近似稀疏分类的手势识别方法

摘要

本发明涉及一种优化投影对称性近似稀疏分类的手势识别方法，首先通过对手势图像进行归一化校正、提取手势特征、构建OP‑SYSRC算法、然后采用目标识别的Faster R‑CNN算法并通过迁移学习来构建手势识别模型，在模型进行区域选择及特征提取程序后加入构建的OP‑SYSRC算法，对模型进行训练和测试。在大数据手势识别环境下，大大提高了大数据库容量下手势图像的识别和对比度性能，确保了系统的数据可扩展性。

主权项

1.一种优化投影对称性近似稀疏分类的手势识别方法，其特征在于步骤如下：步骤1：图像预处理采集若干手势图像数据，对手势图像进行归一化校正；步骤2：提取手势特征首先对手势图像通过梯度操作和图像卷积获得单向振幅图像，然后将单向振幅图像分成7×7个单元格，得到多个单元格的幅度信息，并将多个幅度信息累加得到图像的最终幅度梯度；采用局部二进制模式LBP对最终幅度梯度得到累积幅度图像，对累积幅度图像进行编码以获得POEM图像，并对POEM图像进行维度Γ，即手势特征提取：其中D^B和D^W分别是相似度矩阵B和类内相似度矩阵W的类或列的元素之和，B和W是对称矩阵，且D^B和D^W是对角矩阵，L^W和L^B是拉普拉斯矩阵；得到所有手势特征集合S＝{Γ₁,Γ₂,Γ₃,......,Γ_M}；步骤3：构建OP‑SYSRC算法采用PCA降维方法将特征数据从高维空间投影到一个低维子空间进行降维处理；将集合S里面的特征遍历一遍后进行累加，然后取平均值得到平均图像Ψ：计算每张手势图像和平均图像的差值Φ_n，即使用集合S里的每个特征元素减去平均图像Ψ：Φ_n＝Γ_n‑Ψ                     (6)计算整个集合的分歧特征λ_k：其中，u_k是一个大于零小于1的偏差值，k＝{1,2,3,......,K}；输入一张新的手势图像后，采用分歧特征对其进行分类：ω_k＝u_k(λ_k‑ΨΨ^T)                 (8)ω_k是这个类别的分歧特征所有的权重并构成一个向量：Ω＝[ω₁,ω₂,......,ω_M]                (9)每一个正确的手势类别都会相对应的一个区间值ε，最后根据分歧特征的权重向量就可以得到最终类别的区间值ε_k：ε_k＝||Ω‑Ω_k||²                 (10)其中Ω_k是对应手势类别区间值的初始权重向量；步骤4：模型训练/测试：采用目标识别的Faster R‑CNN算法并通过迁移学习来构建手势识别模型，在模型进行区域选择及特征提取程序后加入步骤3构建的OP‑SYSRC算法；在训练过程中，每一批次处理32幅图像，初始学习速率设置为0.001，参数优化采用动量为0.9的随机梯度下降法，权重衰减为0.001；训练过程共进行5万次迭代，得到训练好的手势识别模型；采用训练好的手势识别模型对样本进行测试。