基于集成學習理論的手勢識別研究.pdf

1、近年來，由于基于視覺的手勢識別技術能夠使人以更自然的方法與機器進行交互，越來越受到人們的重視。基于計算機視覺的手勢輸入技術的特點是對用戶的限制少，但是需要處理的數據量大，處理方法相對比較復雜，而在這種情況下，識別率往往不能得到有效的保證。所以如何能找到一種更有效提高其識別準確率的手勢識別方法變得尤其重要。
　　 集成學習理論是一種新型的機器學習理論。集成學習系統(tǒng)綜合多個學習器的學習結果，通常能得到更好的學習結果。本文基于集成學習

2、理論，研究了手勢識別方法，具體工作包括:
　　 提出一種改進的特征集成方法。該方法首基于信息論理論基礎，在Attribute-Bagging(AB)算法的基礎上，引入不確定性度量(symmetrical uncertainty或SU)的概念，將所選屬性子集對類別的依賴程度作為權值，并采用加權投票的方法將候選分類器的輸出進行集成并得到最終結果。該方法克服了AB算法對分類器的依賴，提高了模型的魯棒性。對比實驗結果表明ABSU算法有較

3、高的分類性能。
　　 結合粗糙集理論和集成學習理論，提出了一種加權粗糙集集成方法。該方法首先采用信息熵離散化算法對連續(xù)型屬性進行離散化處理，然后基于可辨識矩陣求出多個約簡，并對得到的每一個約簡結果訓練個體學習器，然后采用分類器分類識別率作為權值，采用加權投票的方法得到最終的集成輸出結果。對比實驗結果表明該方法具有較高的分類準確性。
　　 設計并實現了一個手勢識別原型系統(tǒng)，該系統(tǒng)能對八種手勢進行識別。實測結果表明該系統(tǒng)具有