基于卷積神經(jīng)網(wǎng)絡(luò)的手勢識(shí)別研究

操小文，薄 華（上海海事大學(xué)信息工程學(xué)院，上海201306）

人工智能

基于卷積神經(jīng)網(wǎng)絡(luò)的手勢識(shí)別研究

操小文，薄 華
（上海海事大學(xué)信息工程學(xué)院，上海201306）

傳統(tǒng)的手勢識(shí)別系統(tǒng)由特征提取和分類器組成，需要人工設(shè)計(jì)特征，但很難達(dá)到足夠滿意的效果且耗費(fèi)大量的時(shí)間。將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于手勢識(shí)別，能直接把圖像數(shù)據(jù)輸入網(wǎng)絡(luò)，且不用進(jìn)行復(fù)雜的前期預(yù)處理。卷積神經(jīng)網(wǎng)絡(luò)擁有很強(qiáng)的魯棒性和較低的復(fù)雜性，通過大量的仿真實(shí)驗(yàn)，證明了該識(shí)別方法具有很好的識(shí)別效果，相比現(xiàn)有方法有較大的優(yōu)勢。

特征提取；卷積神經(jīng)網(wǎng)絡(luò)；手勢識(shí)別；魯棒性

O 引言

隨著現(xiàn)有科學(xué)技術(shù)的發(fā)展，機(jī)器人技術(shù)［1］將會(huì)給人類帶來很大的便利，而人機(jī)交互［2］則是其中最重要的一環(huán)。因此，要讓機(jī)器人根據(jù)人的指示完成相應(yīng)的動(dòng)作，就必須要讓機(jī)器人“明白”人的指示。人們平時(shí)運(yùn)用最多的就是手勢，而基于視覺的手勢識(shí)別技術(shù)涉及到模式識(shí)別［3］、圖像處理以及計(jì)算機(jī)視覺［4］等許多領(lǐng)域，是現(xiàn)在非常熱門的研究課題。目前國內(nèi)對(duì)基于視覺的手勢識(shí)別技術(shù)已展開了許多的研究工作。

關(guān)于手勢識(shí)別［5］的常用算法有以下三種：（1）基于幾何特征［6］的手勢識(shí)別。將手勢的區(qū)域和邊緣特征用作待識(shí)別的特征，并采用各種距離公式進(jìn)行模板匹配。該方法有較強(qiáng)的適應(yīng)性和穩(wěn)定性，但是學(xué)習(xí)能力不足且效率不高，有很明顯的不足。（2）基于隱馬爾可夫模型的手勢識(shí)別。這是一種統(tǒng)計(jì)分析模型，其拓?fù)浣Y(jié)構(gòu)具有一般性，能夠很好地描述手勢信號(hào)的時(shí)空變化，適用于動(dòng)態(tài)手勢的識(shí)別，但是計(jì)算量過于龐大且速度緩慢，不能很好地滿足當(dāng)前應(yīng)用的需要。（3）基于人工神經(jīng)網(wǎng)絡(luò)［7］的手勢識(shí)別。具有較強(qiáng)的學(xué)習(xí)能力和抗干擾能力，而且網(wǎng)絡(luò)能很好地?cái)M合各類非線性映射，在擁有更快的計(jì)算速度的同時(shí)還有很強(qiáng)的魯棒性和泛化能力，但由于其對(duì)時(shí)間序列的處理能力不強(qiáng)，主要應(yīng)用于靜態(tài)手勢識(shí)別［8］，而對(duì)于動(dòng)態(tài)手勢的識(shí)別［9］則效果不佳。

由以上分析可知，現(xiàn)有算法都有或多或少的缺陷，因此未能得到很好的應(yīng)用。而卷積神經(jīng)網(wǎng)絡(luò)（Convo1utiona1 Neura1Network，CNN）在二維圖像處理中的獨(dú)特優(yōu)勢，使其在手勢識(shí)別中的研究也漸漸開展。

1 卷積神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)圖像識(shí)別［10］的分類模型如圖1所示。人工設(shè)計(jì)特征是一件非常耗時(shí)耗力的事情，必須要有非常深厚的專業(yè)知識(shí)和經(jīng)驗(yàn)才能確定出能用于正確分類的特征。然而卷積神經(jīng)網(wǎng)絡(luò)［11］則不需要人工設(shè)計(jì)特征，它能夠?qū)D像數(shù)據(jù)直接輸入網(wǎng)絡(luò)中，然后在輸出端即可給出分類結(jié)果。其分類模型如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)分類模型

1.1 CNN網(wǎng)絡(luò)結(jié)構(gòu)

CNN包含有兩種特殊的神經(jīng)元層，分別是卷積層和下采樣層［12］，其整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)由卷積層（C）和下采樣層（S）交替出現(xiàn)最后與全連接層（F）相連所構(gòu)成，并在最后的輸出層給出結(jié)果。本文的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 手勢識(shí)別CNN網(wǎng)絡(luò)結(jié)構(gòu)

卷積操作其實(shí)是用一個(gè)卷積核［13］（即特征矩陣）在圖像矩陣上移動(dòng)，卷積核與圖像上相對(duì)位置的元素作乘積，最后將所得結(jié)果相加得到一個(gè)值。當(dāng)卷積核移動(dòng)完畢，所有值就構(gòu)成了一個(gè)新的圖像矩陣，即完成了對(duì)上一層的特征抽取。其數(shù)學(xué)表達(dá)式如（1）所示：

其中，f為激活函數(shù)，一般為sigmoid或tanh；b為偏置項(xiàng)。

下采樣則相當(dāng)于對(duì)特征進(jìn)行二次提取，這樣做是為了對(duì)上一層的特征進(jìn)行降維，減少計(jì)算量并且避免因特征過多導(dǎo)致出現(xiàn)過擬合。經(jīng)過降維后的特征更能刻畫出圖像的一般性，更加適用于分類［14］，并可以增強(qiáng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)位移的魯棒性。

下采樣的一般形式如式（2）：

down（·）為下采樣函數(shù)，與卷積操作類似，其也是對(duì)一個(gè)區(qū)域的加權(quán)求和，若用n×n大小的窗口進(jìn)行下采樣，最終的圖像大小將會(huì)是輸入圖像的1 /n。

1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的算法及訓(xùn)練過程

本文所采用的網(wǎng)絡(luò)結(jié)構(gòu)有8層，包含輸入層、3層卷積層、3層下采樣層、1層全連接層。與參考文獻(xiàn)［8］相比，本文所用網(wǎng)絡(luò)多了一層卷積層和一層下采樣層，且卷積核大小設(shè)置也不一樣。本文將網(wǎng)絡(luò)的學(xué)習(xí)速率（a1Pha）設(shè)置為0.2，批次大小（batchsize）設(shè)置為20，迭代次數(shù)（numePochs）設(shè)置為150。且卷積核和各偏置等參數(shù)的初始值均隨機(jī)產(chǎn)生，輸入樣本后通過前向傳播和反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練來更新參數(shù)。其中每層所做的操作如下：

（1）輸入層是已經(jīng)歸一化為48×48的圖像，經(jīng)二值化處理后即可輸入網(wǎng)絡(luò)。

（2）C1網(wǎng)絡(luò)層是對(duì)輸入圖像進(jìn)行卷積所得結(jié)果，本文使用7×7的卷積核對(duì)輸入圖像進(jìn)行特征抽取，該層特征圖為3張，大小為42×42。

（3）S2網(wǎng)絡(luò)層是對(duì)C1層進(jìn)行的抽樣，抽樣窗口大小為2×2，此時(shí)特征圖數(shù)量仍為3張，大小為21×21。

（4）C3是對(duì)S2的卷積操作，卷積核大小設(shè)置為6× 6，特征圖為5張，大小為16×16。

（5）S4網(wǎng)絡(luò)層（同S2），為第二個(gè)下采樣層，抽樣窗口仍是2×2，特征圖為5張，大小為8×8。

（6）C5是第三個(gè)卷積層，卷積核大小為5×5，此時(shí)圖像大小為4×4，特征圖數(shù)量設(shè)置為7張。

（7）S6是第三個(gè)下采樣層，經(jīng)2×2的抽樣窗口后大小是2×2，圖像數(shù)量為7張。

（8）F7層是全連接層，是把S6層的特征數(shù)據(jù)向量化后連接到輸出層。根據(jù)分類的類別數(shù)，本文的輸出層有三個(gè)神經(jīng)元，即分三類。

整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)確定后，利用前向傳播（fP）、反向傳播（bP）等算法確定網(wǎng)絡(luò)參數(shù)，這樣整個(gè)網(wǎng)絡(luò)就訓(xùn)練完畢。

2 仿真實(shí)驗(yàn)

2.1 手勢圖像的預(yù)處理

雖然CNN可以直接輸入原始圖像，但是簡單的預(yù)處理可以使最終識(shí)別效果更好而又不耗費(fèi)太多時(shí)間。

本文將圖像進(jìn)行灰度和二值化處理，最終歸一化到48×48作為試驗(yàn)的最終輸入數(shù)據(jù)，如圖4所示。

圖4 圖像預(yù)處理

2.2 實(shí)驗(yàn)結(jié)果及分析

本文的實(shí)驗(yàn)數(shù)據(jù)均為作者自己拍攝，手勢總共有3種，分別是指向手勢1、勝利手勢2、搖滾手勢3，如圖5所示。當(dāng)用設(shè)備拍攝時(shí)，保持設(shè)備與手的位置基本不變，在限制范圍內(nèi)，手可以任意旋轉(zhuǎn)、平移，方向不定。

圖5 3種手勢類別

對(duì)于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，樣本的多少對(duì)最終學(xué)習(xí)效果有很大的影響。樣本過少會(huì)使網(wǎng)絡(luò)無法學(xué)習(xí)到圖像的有效特征，降低識(shí)別效率。因此本文拍攝了大量的樣本來進(jìn)行試驗(yàn)，從各類手勢中選取2 500個(gè)訓(xùn)練樣本和500個(gè)測試樣本。取其迭代10次的平均識(shí)別率作為該方法的最終識(shí)別率。

（1）分別用圖像的灰度圖和二值圖進(jìn)行試驗(yàn)，結(jié)果如表1、表2所示。

由以上結(jié)果可知，卷積神經(jīng)網(wǎng)絡(luò)在手勢識(shí)別中擁有較高的識(shí)別率，且在單一背景下因手的灰度與周圍環(huán)境的反差，用二值圖像能獲得更好的識(shí)別率。后續(xù)試驗(yàn)均采用二值化圖像進(jìn)行。

表1 二值圖像的識(shí)別率

表2 灰度圖像的識(shí)別率

（2）為了驗(yàn)證該網(wǎng)絡(luò)結(jié)構(gòu)的魯棒性，模擬真實(shí)情況下的場景，給圖像加上3種不同程度的噪聲和3種不同程度的運(yùn)動(dòng)模糊。如圖6所示。

圖6 加噪和運(yùn)動(dòng)模糊后的圖像

實(shí)驗(yàn)結(jié)果如表3～表8所示。

表3 噪聲1下的識(shí)別率

表4 噪聲2下的識(shí)別率

表5 噪聲3下的識(shí)別率

表6 模糊1下的識(shí)別率

表7 模糊2下的識(shí)別率

表8 模糊3下的識(shí)別率

由上述結(jié)果可知，給圖像加了噪聲和運(yùn)動(dòng)模糊后，各類手勢的識(shí)別率均有所下降，且受影響最大的為手勢3，可能因?yàn)槭謩?最復(fù)雜，所包含的特征數(shù)最多，在噪聲和模糊的影響下所掩蓋的特征最多，導(dǎo)致識(shí)別率下降最快。但是在一定程度內(nèi)，識(shí)別率雖有所下降但依舊維持在一個(gè)較高的水準(zhǔn)，表明該網(wǎng)絡(luò)確實(shí)有很強(qiáng)的魯棒性，沒有因?yàn)樵肼暫湍：拇嬖诙霈F(xiàn)較大的異常，完全可以滿足現(xiàn)有的應(yīng)用需要。

3 結(jié)論

卷積神經(jīng)網(wǎng)絡(luò)避免了對(duì)圖像前期復(fù)雜的預(yù)處理，不用去人工設(shè)計(jì)和提取特征，節(jié)省了大量的時(shí)間和人工成本。其獨(dú)特的卷積-下采樣結(jié)構(gòu)使其擁有很強(qiáng)的容忍畸變的能力，而獨(dú)有的權(quán)值共享則極大地縮減了網(wǎng)絡(luò)的訓(xùn)練參數(shù)，大大降低了計(jì)算量，且使其擁有更簡單的網(wǎng)絡(luò)結(jié)構(gòu)和更強(qiáng)的適應(yīng)能力，給圖像處理領(lǐng)域帶來了極大的方便。

本文通過大量的仿真實(shí)驗(yàn)，驗(yàn)證了卷積神經(jīng)網(wǎng)絡(luò)在手勢識(shí)別中的高效性和強(qiáng)魯棒性，具有很好的應(yīng)用前景。后續(xù)可以通過對(duì)網(wǎng)絡(luò)結(jié)構(gòu)和算法的一些改進(jìn)，進(jìn)一步降低其在手勢識(shí)別中的誤識(shí)率。

［1］劉江華，程君實(shí)，陳佳品.基于視覺的動(dòng)態(tài)手勢識(shí)別及其在仿人機(jī)器人交互中的應(yīng)用［J］.機(jī)器人，2002，24（3）：46-51.

［2］王茂吉.基于視覺的靜態(tài)手勢識(shí)別系統(tǒng)［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2006.

［3］孫世輝.基于視覺的復(fù)雜背景下手勢識(shí)別方法的研究［D］.大連：大連海事大學(xué)，2014.

［4］王振，高茂庭.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法設(shè)計(jì)與實(shí)現(xiàn)［J］.現(xiàn)代計(jì)算機(jī)，2015，34（7）：61-66.

［5］張圓圓.基于視覺的手勢識(shí)別技術(shù)及其應(yīng)用研究［J］.計(jì)算技術(shù)與自動(dòng)化，2015，34（1）：131-135.

［6］殷倩倩.基于計(jì)算機(jī)視覺的靜態(tài)手勢識(shí)別［D］.上海：復(fù)旦大學(xué)，2014.

［7］陳先昌.基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究［D］.杭州：浙江工商大學(xué)，2013.

［8］劉飛飛.基于視覺的實(shí)時(shí)手勢識(shí)別及應(yīng)用［D］.西安：長安大學(xué)，2015.

［9］王西穎，戴國忠，張習(xí)文，等.基于HMM-FNN模型的復(fù)雜動(dòng)態(tài)手勢識(shí)別［J］.軟件學(xué)報(bào)，2008，19（9）：25-29.

［10］楊耿，和衛(wèi)星.運(yùn)動(dòng)目標(biāo)圖像識(shí)別與跟蹤系統(tǒng)的研究［J］.計(jì)算機(jī)測量與控制，2005，13（3）：267-269.

［11］LECUNY，BOTTOUL，BENGIOY，eta1.Gradient-based 1earningaPP1ied todocumentrecognition［J］.Proceedingsof theIEEE，1998，86（11）：2278-2324.

［12］趙志宏，楊紹普，馬增強(qiáng).基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識(shí)別研究［J］.系統(tǒng)仿真學(xué)報(bào)，2010，22（3）：638-641.［13］蔡娟，蔡堅(jiān)勇，廖曉東，等.基于卷積神經(jīng)網(wǎng)絡(luò)的手勢識(shí)別初探［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2015，24（4）：113-117.

［14］SCHWARTZ R L，BARRETT A M，CRUCIAN G P，et a1. Dissociation of gesture and object recognition［J］.Neuro1ogy，1998，50（4）：17-21.

Study on gesture recognition based on CNN

Cao Xiaowen，Bo Hua
（Co11ege of Information Engineering，Shanghai Maritime University，Shanghai 201306，China）

The traditiona1gesture recognition system consists of feature extraction and c1assifier，which needs artificia1 design features，but it is hard to get enough satisfactory effect and sPends a 1ot of time.In this PaPer，convo1ution neura1network was aPP1ied to gesture recognition，the image data can be inPuted direct1y to the network，and it does not need comP1ex Pretreatment in the ear1y.Simu1ation exPeriments show that thismethod has good recognition effect，and the network has strong robustness and 1ow comP1exity，comPared with the existingmethod has great advantage.

feature extraction；convo1ution neura1network；gesture recognition；robustness

TP391.9

A

10.19358 /j.issn.1674-7720.2016.09.017

操小文，薄華.基于卷積神經(jīng)網(wǎng)絡(luò)的手勢識(shí)別研究［J］.微型機(jī)與應(yīng)用，2016，35（9）：55-57，61.

2016-01-08）

操小文（1991 -），男，碩士研究生，主要研究方向：圖像處理與機(jī)器學(xué)習(xí)。

薄華（1971 -），女，碩士生導(dǎo)師，主要研究方向：遙感圖像處理、模式識(shí)別、人工智能。