基于集成學(xué)習(xí)理論的手勢(shì)識(shí)別研究.pdf

1、近年來(lái)，由于基于視覺(jué)的手勢(shì)識(shí)別技術(shù)能夠使人以更自然的方法與機(jī)器進(jìn)行交互，越來(lái)越受到人們的重視?；谟?jì)算機(jī)視覺(jué)的手勢(shì)輸入技術(shù)的特點(diǎn)是對(duì)用戶的限制少，但是需要處理的數(shù)據(jù)量大，處理方法相對(duì)比較復(fù)雜，而在這種情況下，識(shí)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(shí)別準(zhǔn)確率的手勢(shì)識(shí)別方法變得尤其重要。
　　 集成學(xué)習(xí)理論是一種新型的機(jī)器學(xué)習(xí)理論。集成學(xué)習(xí)系統(tǒng)綜合多個(gè)學(xué)習(xí)器的學(xué)習(xí)結(jié)果，通常能得到更好的學(xué)習(xí)結(jié)果。本文基于集成學(xué)習(xí)

2、理論，研究了手勢(shì)識(shí)別方法，具體工作包括:
　　 提出一種改進(jìn)的特征集成方法。該方法首基于信息論理論基礎(chǔ)，在Attribute-Bagging(AB)算法的基礎(chǔ)上，引入不確定性度量(symmetrical uncertainty或SU)的概念，將所選屬性子集對(duì)類(lèi)別的依賴程度作為權(quán)值，并采用加權(quán)投票的方法將候選分類(lèi)器的輸出進(jìn)行集成并得到最終結(jié)果。該方法克服了AB算法對(duì)分類(lèi)器的依賴，提高了模型的魯棒性。對(duì)比實(shí)驗(yàn)結(jié)果表明ABSU算法有較

3、高的分類(lèi)性能。
　　 結(jié)合粗糙集理論和集成學(xué)習(xí)理論，提出了一種加權(quán)粗糙集集成方法。該方法首先采用信息熵離散化算法對(duì)連續(xù)型屬性進(jìn)行離散化處理，然后基于可辨識(shí)矩陣求出多個(gè)約簡(jiǎn)，并對(duì)得到的每一個(gè)約簡(jiǎn)結(jié)果訓(xùn)練個(gè)體學(xué)習(xí)器，然后采用分類(lèi)器分類(lèi)識(shí)別率作為權(quán)值，采用加權(quán)投票的方法得到最終的集成輸出結(jié)果。對(duì)比實(shí)驗(yàn)結(jié)果表明該方法具有較高的分類(lèi)準(zhǔn)確性。
　　 設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)手勢(shì)識(shí)別原型系統(tǒng)，該系統(tǒng)能對(duì)八種手勢(shì)進(jìn)行識(shí)別。實(shí)測(cè)結(jié)果表明該系統(tǒng)具有