基于区块链和图像的手势识别模型训练与分发方法与装置制造方法及图纸

本发明专利技术属于区块链技术领域，提供一种基于区块链和图像的手势识别模型训练与分发方法、装置，通过获取边缘计算设备的图像特征数据，图像特征数据与手势标签对应，输入图像特征数据训练域自适应模型，以对图像特征数据进行优化特征描述，将优化特征描述后的图像特征数据和手势标签输入支持向量机中训练，得到手势识别分类器，从而使得边缘计算设备与服务器之间只上传图像特征和下载识别结果，不传输原始的图像等信息，保障隐私，特征的数据量比原始图像小，降低传输成本，收集不同边缘计算设备上的训练数据，训练域自适应模型提升模型，使用优化特征描述后的图像特征数据训练支持向量机，得到更为精准的手势识别分类器。得到更为精准的手势识别分类器。得到更为精准的手势识别分类器。

【技术实现步骤摘要】
基于区块链和图像的手势识别模型训练与分发方法与装置


[0001]本申请涉及区块链
，具体而言，涉及一种基于区块链和图像的手势识别模型训练与分发方法、系统、装置、计算机设备以及计算机可读存储介质。

技术介绍

[0002]基于二维图像的手势识别方法已经得到了广泛的研究和应用。然而，要在边缘计算设备上实现手势识别模型的训练，仍然存在计算性能不足的问题。因此，需要将数据发送到服务器进行模型训练，再从服务器中得到训练好的模型。
[0003]然而，现有技术中，边缘计算设备与服务器之间传输原始的主体图像等信息，容易泄露隐私，传输成本较大；因为没有适当的训练模型，手势识别精度不高。
[0004]综上所述，现有技术中存在安全性低、识别精度低、传输成本高以及服务器容易被滥用等技术问题。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供一种基于区块链和图像的手势识别模型训练与分发方法、装置、系统、计算机设备以及计算机可读存储介质。
[0006]一种基于区块链和图像的手势识别模型训练与分发方法，包括：
[0007]获取边缘计算设备的图像特征数据，所述图像特征数据与手势标签对应；
[0008]输入所述图像特征数据训练域自适应模型，对所述图像特征数据进行优化特征描述；
[0009]将优化特征描述后的所述图像特征数据和所述手势标签输入支持向量机中训练，得到手势识别分类器。
[0010]一种基于区块链和图像的手势识别模型训练与分发装置，包括：
[0011]获取模块，用于获取边缘计算设备的图像特征数据，所述图像特征数据与手势标签对应；
[0012]模型训练模块，用于输入所述图像特征数据训练域自适应模型，对所述图像特征数据进行优化特征描述；
[0013]分类器训练模块，用于将优化特征描述后的所述图像特征数据和所述手势标签输入支持向量机中训练，得到手势识别分类器。
[0014]一种基于区块链和图像的手势识别模型训练与分发系统，包括：多台边缘计算设备和服务器；所述服务器运行获取模块、模型训练模块以及分类器训练模块；
[0015]所述获取模块获取所述边缘计算设备的图像特征数据，所述图像特征数据与手势标签对应；
[0016]所述模型训练模块输入所述图像特征数据训练域自适应模型，对所述图像特征数据进行优化特征描述；
[0017]所述分类器训练模块将优化特征描述后的所述图像特征数据和所述手势标签输
入支持向量机中训练，得到手势识别分类器。
[0018]一种计算机设备，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序在所述处理器中执行可实现方法。
[0019]一种计算机可读存储介质，存储计算机程序，所述计算机程序在处理器中执行可实现上述方法。
[0020]本专利技术提供一种基于区块链和图像的手势识别模型训练与分发方法、装置及系统，通过获取边缘计算设备的图像特征数据，图像特征数据与手势标签对应，输入图像特征数据训练域自适应模型，以对图像特征数据进行优化特征描述，将优化特征描述后的图像特征数据和手势标签输入支持向量机中训练，得到手势识别分类器，从而使得边缘计算设备与服务器之间只上传图像特征和下载识别结果，不传输原始的图像等信息，保障隐私，特征的数据量比原始图像小，降低传输成本，收集不同边缘计算设备上的训练数据，训练域自适应模型提升模型，使用优化特征描述后的图像特征数据训练支持向量机，得到更为精准的手势识别分类器。
附图说明
[0021]图1为一实施例提供的一种基于区块链和图像的手势识别模型训练与分发系统的框架示意图；
[0022]图2为一实施例提供的一种基于区块链和图像的手势识别模型训练与分发方法的流程示意图；
[0023]图3为一实施例提供的一种基于区块链和图像的手势识别模型训练与分发装置的架构示意图；
[0024]图4为一实施例提供的一种计算机设备的框架示意图。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0026]本实施例提供的基于区块链和图像的手势识别模型训练与分发方法，可应用在如图1的应用环境中，其中，边缘计算设备通过网络与服务器进行通信，服务器运行在区块链系统中。其中，边缘计算设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0027]在一实施例中，如图2所示，提供一种基于区块链和图像的手势识别模型训练与分发方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
[0028]S1、获取边缘计算设备的图像特征数据，图像特征数据与手势标签对应；
[0029]S2、输入图像特征数据训练域自适应模型，以对图像特征数据进行优化特征描述；
[0030]S3、将优化特征描述后的图像特征数据和手势标签输入支持向量机中训练，得到手势识别分类器。
[0031]本实施例中，通过获取边缘计算设备的图像特征数据，图像特征数据与手势标签对应，输入图像特征数据训练域自适应模型，以对图像特征数据进行优化特征描述，将优化特征描述后的图像特征数据和手势标签输入支持向量机中训练，得到手势识别分类器，从而使得边缘计算设备与服务器之间只上传图像特征和下载识别结果，不传输原始的图像等信息，保障隐私，特征的数据量比原始图像小，降低传输成本，收集不同边缘计算设备上的训练数据，训练域自适应模型提升模型，使用优化特征描述后的图像特征数据训练支持向量机，得到更为精准的手势识别分类器。
[0032]步骤S1中，边缘计算设备向服务器发送设备信息，例如设备序列号，序列号在边缘计算设备信息链上进行验证，验证通过的设备，可以向服务器请求分发手势识别模型。
[0033]例如，边缘计算设备上传有效数据时，可以发送设备序列号等设备信息，序列号在服务器上产生MD5码；设备信息通过PBFT共识机制的验证后上传区块链。
[0034]需要说明的是，边缘计算设备可以通过服务器将设备信息上传至区块链，上传信息包括但不限于设备信息和贡献数据量等。如此，在向服务器请求分发手势识别模型时，服务器先向区块链发起信息验证，明确请求设备的身份和数据量贡献，响应请求设备的请求或拒绝请求设备的请求。这样，不仅可以通过区块链保障上链信息的真实性和私密性，而且可以避免服务器被滥用。
[0035]还需要说明的是，边缘计算设备提供给服务器的图像数据是图像特征数据，图像特征数据可以是与图像数据一一对应的经过特征提取的数据，相比图像数据的原件，具有数据量小的优势，从而在传输中可以有效减小传输开支。其中，图像特征数据与手势标签对应，手势标签如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区块链和图像的手势识别模型训练与分发方法，其特征在于，包括：获取边缘计算设备的图像特征数据，所述图像特征数据与手势标签对应；输入所述图像特征数据训练域自适应模型，对所述图像特征数据进行优化特征描述；将优化特征描述后的所述图像特征数据和所述手势标签输入支持向量机中训练，得到手势识别分类器。2.如权利要求1所述的方法，其特征在于，还包括：所述图像特征数据通过去噪自动编码器提取得到。3.如权利要求1所述的方法，其特征在于，还包括：上传所述边缘计算设备信息至区块链；上传所述域自适应模型和/或所述手势识别分类器至区块链；向验证通过的所述边缘计算设备分发所述域自适应模型和/或所述手势识别分类器。4.如权利要求1
‑
3任一项所述的方法，其特征在于，所述训练域自适应模型为代价函数的最小化，所述代价函数表征为：其中，Ys为[γ1，γ2，...，γd]从第1行到第n行的一部分，Yt为[γ1，γ2，...，γd]从第n+1行到第2n行的另一部分；[γ1，γ2，...，γd]为d个最小特征向量；以及为三个W矩阵；计算算式min||Q0||
*
+λ||E0||
2，1
和得到特征向量之间的关联，为所述图像特征数据，|| ||*表示核范数，|| ||2，1用于描述l
2，1
的噪声，E0用于保证稀疏性的惩罚项，参数λ用于平衡两部分的影响。5.如权利要求2所述的方法，其特征在于，通过去噪自动编码器提取特征包括:给定一组图像样本，X＝[x1,x2,x3……
x
n
]∈R
d
；n表示样本的数量，d表示原始图像向量的长度；自动编码器用于减少重构误差：x
i
和分别是原始输入和重建后的输出；表示为x
i
被破坏的版本，W：R
d
→
R
d<...

【专利技术属性】
技术研发人员：蔡亮，李伟，匡立中，邱炜伟，张帅，李吉明，
申请(专利权)人：杭州趣链科技有限公司，
类型：发明
国别省市：