文献类型：期刊文章

作　　者：彭玉青[1] 赵晓松[1] 陶慧芳[1] 刘宪姿[1] 李铁军[2]

PENG Yuqing;ZHAO Xiaosong;TAO Huifang;LIU Xianzi;LI Tiejun(School of Artificial Intelligence,Hebei University of Technology,Tianjin 300401,China;School of Mechanical Engineering,Hebei University of Technology,Tianjin 300401,China)

机构地区：[1]河北工业大学人工智能与数据科学学院,天津300401 [2]河北工业大学机械工程学院,天津300401

出　　处：《机器人》

基　　金：国家自然科学基金重点项目(U1813222);国家重点研发计划(2018YFB1306900);河北省自然科学基金面上项目(F2017202145)

年　　份：2019

卷　　号：41

期　　号：4

起止页码：534-542

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：在人机交互领域,针对复杂背景下手势识别率低、算法鲁棒性差的问题,基于深度学习提出一种手势识别算法HGDR-Net (hand gesture detection and recognition network).该算法由手势检测和识别2部分构成.在手势检测阶段,为解决复杂背景下手势区域提取困难的问题,基于改进的YOLO (you only look once)算法进行手势检测.改进的YOLO算法结合了手势检测的特点,解决了原始YOLO对小物体检测效果差、定位准确度不高的问题.在识别阶段,利用卷积神经网络(CNN)进行识别,并针对手势区域的尺寸多样性引入了空间金字塔池化(SPP)来解决CNN的多尺度输入问题.最后在训练过程中联合线下和实时2种数据增强方法避免过拟合问题,提升HGDR-Net的泛化能力.在NUS-II和Marcel两个复杂背景的公共数据集上进行了验证实验,识别率分别达到98.65%和99.59%.结果表明本文算法能准确地从各种复杂背景中识别手势,相比于基于人工提取特征的传统算法和其他基于CNN的算法具有更高的识别准确率和更强的鲁棒性.

关 键 词：手势识别 复杂背景  手势检测  深度学习  人机交互

分 类 号：TP391.4]