基于深度学习的实时动态手势识别

发布时间：2023-03-18 17:34

　　随着计算机的普及和发展,人机交互技术已经成为人们日常生活中不可或缺的一部分。无需可穿戴设备的手势交互方式因其自然、便捷的操作,已经成为一种新兴的人机交互方式,可以广泛应用在游戏制作、医疗器械操作和多媒体设备操控等场景中。因此近年来随着深度学习技术的成熟,基于计算机视觉的手势识别技术成为了人机交互中一个炙手可热的研究领域。许多研究为了探究准确性更高的卷积神经网络,单纯地从离线测试的角度进行网络结构设计,加大网络规模与计算量,而忽略了在移动平台部署系统的可行性。此外在实际应用场景下,如何处理不断输入的视频流,在保证系统实时性的前提下进行在线检测与识别也一定程度上加大了手势识别的难度。针对以上不足和难点,本论文以保证系统实时性与部署的可行性为前提,构建了更加贴近实际人机交互场景的动态手势数据集101Gesture,设计了轻量级动态手势检测网络以及识别网络,实现了完整的实时动态手势识别系统。本论文的主要工作以及创新研究成果如下:1.构建了动态手势数据集101Gesture。针对动态手势识别的难点以及现有数据集的不足,本文从实际应用场景出发,构建了更加贴近实际人机交互场景,动作实例长度多样性更加...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
Abstract
1 绪论
    1.1 研究背景
    1.2 研究现状
        1.2.1 基于传统技术的手势识别方法
        1.2.2 基于深度学习技术的手势识别方法
    1.3 本文研究内容
    1.4 本文结构安排
2 手势识别数据集
    2.1 公开手势数据集
    2.2 动态手势数据集101Gesture
        2.2.1 概述
        2.2.2 数据采集及标注
        2.2.3 数据集统计分析
    2.3 本章小结
3 基于轻量卷积神经网络的手势识别方法
    3.1 引言
    3.2 动作检测网络
        3.2.1 卷积神经网络的轻量化
        3.2.2 动作检测
        3.2.3 MotionNet
        3.2.4 实验
    3.3 动作分类网络
        3.3.1 相关工作
        3.3.2 ActionNet网络结构
        3.3.3 实验
    3.4 本章小结
4 实时动态手势识别系统
    4.1 引言
    4.2 系统结构
    4.3 实验
        4.3.1 归一化Levenshtein距离
        4.3.2 在线测试数据集101Gesture-Long
        4.3.3 实验设计及实验结果
    4.4 本章小结
5 总结和展望
    5.1 本文总结
    5.2 研究展望
参考文献
发表成果目录



本文编号：3763567