摘要(Abstract)：
为了提高手势识别的准确率,提出一种基于深度卷积神经网络和支持向量机的手势识别算法;将包含手势的图像进行手掌轮廓分割及手指关节特征提取,经过去噪后获得准确的手势图像,然后通过卷积与池化获得手势特征样本,采用神经网络算法对输入特征样本进行训练,并对全连接层各节点的输出结果进行支持向量机多元分类,从而获得手势识别结果;在差异化设置条件下,通过对比手势识别的平均准确率和识别时间,可获得最优的卷积核尺寸及池化方法。仿真实验结果表明,相比其他3种识别算法,所提出的算法具有更优的识别准确率。
关键词(KeyWords)：手势识别;卷积神经网络;支持向量机;卷积核;池化
基金项目(Foundation): 山西省重点研发计划项目(201603D321112);; 教育部2019年第二批产学合作协同育人项目(201902084012);; 山西省教育科学“十三五”规划2018年度课题(GH18168);; 四川科技厅科技计划项目(2018GFW0151)
作者(Author): 闫俊伢,吴迪,滕华
DOI: 10.13349/j.cnki.jdxbn.20210310.001
参考文献(References)：
[1] 杨益平，闵啸.基于计算机视觉的手势识别人机交互技术[J].电子技术与软件工程，2018(12):138-139.
[2] 彭玉青，赵晓松，陶慧芳，等.复杂背景下基于深度学习的手势识别[J].机器人，2019,41(4):534-542.
[3] ALAM M S,KWON K C,ALAM M A,et al.Trajectory-based air-writing recognition using deep neural network and depth sensor[J].Sensors,2020,20(2):110-118.
[4] 曹洁，赵修龙，王进花.基于RGB-D信息的动态手势识别方法[J].计算机应用研究，2018,35(7):2228-2232.
[5] 曹海婷，戎海龙，焦竹青，等.基于多特征组合的动态手势识别[J].计算机工程与设计，2018,39(6):1727-1732.
[6] 王远明，张珺，秦远辉，等.基于多特征融合的指挥手势识别方法研究[J].系统仿真学报，2019,31(2):346-352.
[7] SUN Y,LI C Q,Li G F,et al.Gesture recognition based on Kinect and sEMG signal fusion[J].Mobile Networks and Applications,2018,23(4):797-805.
[8] 周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017(6):1229-1251.
[9] 景晨凯，宋涛，庄雷，等.基于深度卷积神经网络的人脸识别技术综述[J].计算机应用与软件，2018,35(1):223-231.
[10] 吕恩辉，王雪松，程玉虎.基于反卷积特征提取的深度卷积神经网络学习[J].控制与决策，2018,33(3):447-454.
[11] 冯兴杰，张志伟，史金钏.基于卷积神经网络和注意力模型的文本情感分析[J].计算机应用研究，2018,35(5):1434-1436.
[12] 吴斌方，陈涵，肖书浩.基于SVM与Inception-v3的手势识别[J].计算机系统应用，2020,29(5):189-195.
[13] JIN Y,CHENG X Y,ZHU J,et al.A DDoS attack detection method based on SVM in software defined network[J].Security and Communication Networks,2018,2018:1-8.
[14] 杨文璐，乔海丽，谢宏，等.基于Leap Motion和支持向量机的手势识别[J].传感器与微系统，2018,37(5):47-50.
[15] 李为斌，刘佳.基于视觉的动态手势识别概述[J].计算机应用与软件，2020,37(3):190-197,208.
