基于GAN-CNN框架的机器人手势识别方法技术

基于GAN‑CNN框架的机器人手势识别方法，高清摄像机预先采集不同手势样本图片，而后通过WIFI传送至机器人数据处理系统；数据处理系统利用生成对抗网络对步骤1中不同的手势样本图片进行扩展；对上步骤获得的扩展手势图片制作相应的标签，然后将扩展得到的手势图片及其对应的标签输入到卷积神经网络中，从而完成CNN分类识别模型的预训练；高清摄像机实时采集不同手势样本图片，而后通过WIFI传送至机器人数据处理系统；数据处理系统利用预训练好的CNN模型对上步骤中所采集的照片进行分类识别，并将相关的识别信息通过WIFI上传至MYSQL数据库进行存储；机器人根据CNN识别结果执行相应的动作，至此，整个闭环过程结束。本发明专利技术解决小样本条件下机器人手势识别的难题。

【技术实现步骤摘要】
基于GAN-CNN框架的机器人手势识别方法
本专利技术涉及机器人手势识别领域，特别是涉及基于GAN-CNN框架的机器人手势识别方法。
技术介绍
随着人工智能和虚拟现实技术的不断发展，人机交互系统已经成为当前的研究热点。现今，作为一种新兴的人机交互方式，手势识别得到了很多研究者的重视，并产生了一系列有效的成果，且在诸如智能机器人、智能驾驶等设备中得到了广泛的应用。手势识别，简单的来说就是让机器在视觉或传感器采集系统的辅助下来理解人类所想要表达的思想，即通过无接触的方式完成交互过程，从而通过机器人完成相应的动作，在真正意义上实现智能化。对于不同手势的识别分类，其核心即是图像的分类识别。近年来发展的深度学习模型凭借其强大的表征能力和自适应学习能力被广泛应用于计算机视觉、自然语言处理和人脸识别等领域。此类的模型如深度信念网络(DBN)、循环神经网络(RNN)、堆栈降噪自编码(SDAE)、卷积神经网络(CNN)、长短时记忆网络(LSTM)。其中的CNN是仿造生物的视知觉机制构建的，是一种具有深度结构的前馈神经网络，在图像分类识别中具有很好的效果，本文档来自技高网...

【技术保护点】
1.基于GAN-CNN框架的机器人手势识别方法，具体步骤如下，其特征在于：/n步骤1，高清摄像机预先采集不同手势样本图片，而后通过WIFI传送至机器人数据处理系统；/n步骤2，数据处理系统利用生成对抗网络(GAN)对步骤1中不同的手势样本图片进行扩展；/n步骤3，对步骤2获得的扩展手势图片制作相应的标签，然后将扩展得到的手势图片及其对应的标签输入到卷积神经网络(CNN)中，从而完成CNN分类识别模型的预训练；/n步骤4，高清摄像机实时采集不同手势样本图片，而后通过WIFI传送至机器人数据处理系统；/n步骤5，数据处理系统利用预训练好的CNN模型对步骤4中所采集的照片进行分类识别，并将相关的识别...

【技术特征摘要】
1.基于GAN-CNN框架的机器人手势识别方法，具体步骤如下，其特征在于：
步骤1，高清摄像机预先采集不同手势样本图片，而后通过WIFI传送至机器人数据处理系统；
步骤2，数据处理系统利用生成对抗网络(GAN)对步骤1中不同的手势样本图片进行扩展；
步骤3，对步骤2获得的扩展手势图片制作相应的标签，然后将扩展得到的手势图片及其对应的标签输入到卷积神经网络(CNN)中，从而完成CNN分类识别模型的预训练；
步骤4，高清摄像机实时采集不同手势样本图片，而后通过WIFI传送至机器人数据处理系统；
步骤5，数据处理系统利用预训练好的CNN模型对步骤4中所采集的照片进行分类识别，并将相关的识别信息通过WIFI上传至MYSQL数据库进行存储；
步骤6，机器人根据CNN识别结果执行相应的动作，至此，整个闭环过程结束。


2.根据权利要求1所述的基于GAN-CNN框架的机器人手势识别方法，其特征在于：步骤2中GAN网络模型训练的步骤为：
步骤2.1，固定生成器G，训练鉴别器D；
步骤2.2，固定鉴别器D，训练生成器G；
步骤2.3，重复步骤2.1和步骤2.2，直至整个网络达到纳什平衡或者迭次次数达到设定的最大值，整个对抗过程的目标函数可以表示为：



式中，pdata(x)表示真实样本x的分布概率，pz(z)表示生成器G的输入噪声变量z的分布概率z的分布概率，D(x)表示D鉴别x来源于真实样本的概率，D(G(z))表示D鉴别z来源于虚假样本的概率。


3.根据权利要求1所述的基于GAN-CNN框架的机器人手势识别方法，其特征在于...

【专利技术属性】
技术研发人员：司海飞，胡兴柳，史震，方挺，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：江苏;32