基于NAO機器人的手勢和表情識別.pdf

1、人機交互是計算機科學、心理學、認知科學的交叉研究領(lǐng)域。近年來人機交互正逐漸地從以計算機為中心轉(zhuǎn)移到以人為中心。傳統(tǒng)的人機交互方式（鍵盤、鼠標等）已很難滿足人們?nèi)找嬖鲩L的需求。手勢識別和表情識別作為自然的、符合直覺的人機交互方式，是近年來十分熱門的研究方向。本文研究了基于NAO機器人的手勢識別和表情識別，并用于進行人機交互。
　　本文的主要內(nèi)容如下:
　　首先，介紹了手勢識別和表情識別的研究方法和研究現(xiàn)狀，并分析了目前存在一些

2、難點，比如泛化能力較差、難以實用等。
　　其次，先介紹了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)的基本原理，然后介紹了本文采用的手勢識別算法的兩個主要部分:基于全卷積神經(jīng)網(wǎng)絡(luò)(Fully convolutional network，F(xiàn)CN)的手部分割算法和基于卷積神經(jīng)網(wǎng)絡(luò)的手勢識別算法。該算法可識別10種手勢。FCN實現(xiàn)了手部的像素級精確分割，使得手勢的識別更加容易，同時減少了對樣本數(shù)的要

3、求。
　　再次，先介紹了常見的視頻識別算法，然后介紹了本文采用的基于光流卷積神經(jīng)網(wǎng)絡(luò)的表情識別算法，可識別7種表情。使用稠密光流提取表情的動態(tài)特征可以減少對卷積神經(jīng)網(wǎng)絡(luò)提取特征的要求，以及對樣本數(shù)的要求。
　　最后，對這兩個算法的各個環(huán)節(jié)分別進行了實驗，并對實驗結(jié)果進行了分析和總結(jié)。測試集上手勢識別的錯誤率為2.35％，表情識別的錯誤率為3.17％，并證明了算法的魯棒性。在NAO機器人平臺上的實際使用效果評估進一步證明了基于