[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

摘要

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。

主权项

1.一种基于神经网络优化的穿戴式设备手势识别方法，其特征在于，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；S8：将待识别的手势数据输入至训练完毕的第四RBF神经网络，将第四RBF神经网络神经输出结果与手势模板比对得到手势识别结果。