基于超限學(xué)習(xí)機的手勢識別方法研究.pdf

1、隨著計算機技術(shù)和人機交互的發(fā)展，手勢作為一種自然、直觀和高效的交互模式在機器學(xué)習(xí)與數(shù)字圖像處理領(lǐng)域成為一個非常受歡迎但又極具有挑戰(zhàn)性的課題。人工神經(jīng)網(wǎng)絡(luò)因具有很好的自學(xué)習(xí)和自適應(yīng)性以及分布式存儲能力被應(yīng)用于許多鄰域，在手勢識別系統(tǒng)中也有應(yīng)用，但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)也存在一些問題，如訓(xùn)練速度慢，容易致使網(wǎng)絡(luò)陷入局部極小點，無法達到全局最小，并且手勢在獲取過程中，有許多非可控條件，比如環(huán)境中的光線、背景甚至拍攝角度等都會制約手勢識別的性能。

2、>　　本研究主要內(nèi)容包括：⑴對手勢識別這一問題的背景及成果進行了概括，綜合分析了該技術(shù)目前的發(fā)展的現(xiàn)狀。⑵對幾種典型的圖像處理方法進行分析總結(jié)，其中有平滑處理、二值化處理和形態(tài)學(xué)處理等方法。預(yù)處理后手勢圖像的質(zhì)量能得到改善，圖像的有效信息得到增強，并剔除無關(guān)信息，確保后續(xù)手勢識別的結(jié)果準確可靠。⑶采用幀差法進行特征提取，再將手勢特征進行單演特征表示，利用PCA算法提取主要特征并對數(shù)據(jù)降維。實驗證明，單演特征表示與超限學(xué)習(xí)機系列算法的融合

3、，使手勢識別速率和識別精度得到了一定的提升，驗證了算法的有效性。⑷研究了分層超限學(xué)習(xí)機(H-ELM)作為手勢識別中的分類器對手勢進行分類識別。H-ELM的稀疏自動編碼和分層訓(xùn)練，能獲得原始輸入的多層稀疏表達，使自動編碼后的輸出近似原始輸入，最大限度地減少重構(gòu)產(chǎn)生的誤差，提高手勢特征分類的識別精度。⑸研究了在線貫序超限學(xué)習(xí)機(OS-ELM)作為手勢識別中的分類器對手勢進行分類識別。OS-ELM可以單個的處理數(shù)據(jù)或者一批批的處理，當前數(shù)據(jù)被