基于超限學(xué)習(xí)機(jī)的手勢(shì)識(shí)別方法研究.pdf

1、隨著計(jì)算機(jī)技術(shù)和人機(jī)交互的發(fā)展，手勢(shì)作為一種自然、直觀和高效的交互模式在機(jī)器學(xué)習(xí)與數(shù)字圖像處理領(lǐng)域成為一個(gè)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(chǔ)能力被應(yīng)用于許多鄰域，在手勢(shì)識(shí)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(diǎn)，無法達(dá)到全局最小，并且手勢(shì)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(huì)制約手勢(shì)識(shí)別的性能。

2、>　　本研究主要內(nèi)容包括：⑴對(duì)手勢(shì)識(shí)別這一問題的背景及成果進(jìn)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(duì)幾種典型的圖像處理方法進(jìn)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(shì)圖像的質(zhì)量能得到改善，圖像的有效信息得到增強(qiáng)，并剔除無關(guān)信息，確保后續(xù)手勢(shì)識(shí)別的結(jié)果準(zhǔn)確可靠。⑶采用幀差法進(jìn)行特征提取，再將手勢(shì)特征進(jìn)行單演特征表示，利用PCA算法提取主要特征并對(duì)數(shù)據(jù)降維。實(shí)驗(yàn)證明，單演特征表示與超限學(xué)習(xí)機(jī)系列算法的融合

3、，使手勢(shì)識(shí)別速率和識(shí)別精度得到了一定的提升，驗(yàn)證了算法的有效性。⑷研究了分層超限學(xué)習(xí)機(jī)(H-ELM)作為手勢(shì)識(shí)別中的分類器對(duì)手勢(shì)進(jìn)行分類識(shí)別。H-ELM的稀疏自動(dòng)編碼和分層訓(xùn)練，能獲得原始輸入的多層稀疏表達(dá)，使自動(dòng)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(shì)特征分類的識(shí)別精度。⑸研究了在線貫序超限學(xué)習(xí)機(jī)(OS-ELM)作為手勢(shì)識(shí)別中的分類器對(duì)手勢(shì)進(jìn)行分類識(shí)別。OS-ELM可以單個(gè)的處理數(shù)據(jù)或者一批批的處理，當(dāng)前數(shù)據(jù)被