基于改进的CNN和SVM手势识别算法研究

发布时间：2024-04-12 03:32

　　随着现代技术的发展,以及生活方式的更加智能化,大家越来越渴望一种更加自然的交互方式。因此针对这一现象研究出一种自然、舒适的人机交互方式具有非凡的意义。手势具有自然、直观、简洁、人性化和灵活性特点,能够充分激发手的潜能,不用将手依附在鼠标、键盘等外部设备上,避免了局限性,可以很好地用于人机交互。近些年,卷积神经网络(CNN,Convolution neural network)算法作为深度学习中的热点,被大规模应用到各方面研究领域。在计算机视觉方面尤为火热,它显著的提高了大规模数据下图像的识别准确率,与传统算法相比有着自动提取特征的优势。但是,卷积神经网络算法的驱动需要大规模的数据集和大规模的计算量,在小数据集上训练容易出现过拟合或是识别精度过低的问题。而支持向量机(SVM,Support Vector Machine)在有效的特征提取基础上能实现高精度的识别。为此,本文针对小数据集提出了一种改进的卷积神经网络和支持向量机(CNN+SVM)相结合的方法,并将其用于手势识别中来进行验证。本文所做的研究工作如下:(1)卷积神经网络能够对多尺度特征实现提取,因此将卷积神经网络进行架构层数优化,...

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国外手势识别研究现状
    1.3 国内手势识别研究现状
    1.4 本文的研究内容及章节安排
        1.4.1 本文的研究内容
        1.4.2 本文章节安排
2 卷积神经网络相关理论
    2.1 人工神经网络概述
    2.2 卷积神经网络概述
    2.3 卷积神经网络架构
        2.3.1 前向传播
        2.3.2 反向传播
    2.4 卷积神经网络工作原理
        2.4.1 卷积层和梯度计算
        2.4.2 池化层和梯度计算
        2.4.3 全连接层
    2.5 本章小结
3 传统分类算法理论研究
    3.1 KNN分类算法
        3.1.1 KNN算法简介
        3.1.2 KNN的优点
    3.2 AdaBoost分类算法
        3.2.1 AdaBoost算法简介
        3.2.2 AdaBoost的优点
    3.3 随机森林分类算法
        3.3.1 随机森林分类算法简介
        3.3.2 随机森林分类算法优点
    3.4 SVM分类算法
        3.4.1 SVM分类算法简介
        3.4.2 SVM分类算法优点
    3.5 本章小结
4 改进的CNN和SVM手势识别算法研究
    4.1 原始CNN算法不足
    4.2 解决过拟合问题
        4.2.1 DROPOUT优化
        4.2.2 正则化约束
    4.3 解决训练样本有限问题
    4.4 CNN的手势特征提取
    4.5 提出的手势识别模型
        4.5.1 卷积神经网络的架构设计
        4.5.2 卷积神经网络的训练
        4.5.3 SVM分类器
    4.6 本章小结
5 实验结果与分析
    5.1 数据集
    5.2 实验结果及分析
        5.2.1 改进的CNN模型
        5.2.2 改进的CNN模型特征提取
        5.2.3 改进的CNN和SVM模型
        5.2.4 本文算法与已有算法的比较
    5.3 小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢



本文编号：3951598