手势识别方法及装置制造方法及图纸

本发明专利技术涉及一种手势识别方法及装置，在获取手部拍摄图片后，将手部拍摄图片输入卷积特征提取网络中，获取卷积特征提取网络中多份卷积特征。进一步地，将各卷积特征分别降维至对应维数向量，并拼接对应维数向量，得到待对比特征向量，最后比对待对比特征向量与预设手势库，得到识别结果。其中，预设手势库包括手势动作以及手势动作对应的多维特征向量。基于此，通过预先确定的预设手势库，由待对比特征向量与多维特征向量进行比对确定手部拍摄图片对应的手势动作，准确进行手势识别。同时，基于卷积特征提取网络的可预先训练的特点，保证手势识别的检测准确率。识别的检测准确率。识别的检测准确率。

【技术实现步骤摘要】
手势识别方法及装置


[0001]本专利技术涉及图像识别
，特别是涉及一种手势识别方法及装置。

技术介绍

[0002]手势识别是计算机科学和语言技术中的一个主题，目的是通过数学算法来识别人类手势。在手势识别的实现过程中，需要获取手势的图像，根据图像获取手的检测和分割手势的分析，然后进行静态或动态的手势识别。
[0003]其中，在视频教学应用场景中，也需要检测识别教师或学生的手势。检测方式主要是获取手势的静态图片，进行检测识别——一种是单阶段检测识别，通过特征回归的方式定位并识别手势；另一种是级联型检测识别，通过图像信息定位候选的目标区域，再根据候选区域的信息进行分类。然而，单阶段检测识别这种方式只能用于闭集设定手势类别的检测，且检测精度偏低，而级联型检测识别这种方式计算量大，导致处理速度偏慢。
[0004]由此可见，传统的基于静态图片的手势识别方式还存在以上缺陷。

技术实现思路

[0005]基于此，有必要针对传统的基于静态图片的手势识别方式还存在的缺陷，提供一种手势识别方法及装置。
[0006]一种手势识别方法，包括步骤：
[0007]获取手部拍摄图片；
[0008]将手部拍摄图片输入卷积特征提取网络中，获取卷积特征提取网络中多份卷积特征；其中，各卷积特征对应的下采样倍数不同；
[0009]将各卷积特征分别降维至对应维数向量，并拼接对应维数向量，得到待对比特征向量；
[0010]比对待对比特征向量与预设手势库，得到识别结果；其中，预设手势库包括手势动作以及手势动作对应的多维特征向量。
[0011]上述的手势识别方法，在获取手部拍摄图片后，将手部拍摄图片输入卷积特征提取网络中，获取卷积特征提取网络中多份卷积特征。进一步地，将各卷积特征分别降维至对应维数向量，并拼接对应维数向量，得到待对比特征向量，最后比对待对比特征向量与预设手势库，得到识别结果。其中，预设手势库包括手势动作以及手势动作对应的多维特征向量。基于此，通过预先确定的预设手势库，由待对比特征向量与多维特征向量进行比对确定手部拍摄图片对应的手势动作，准确进行手势识别。同时，基于卷积特征提取网络的可预先训练的特点，在保证手势识别的检测准确率的同时，方便降低计算量。
[0012]在其中一个实施例中，获取手部拍摄图片的过程，还包括步骤：
[0013]对手部拍摄图片进行图像预处理。
[0014]在其中一个实施例中，将手部拍摄图片输入卷积特征提取网络中的过程，包括步骤：
[0015]将手部拍摄图片输出至手部检测网络，获得手部拍摄图片中含手部的区域框坐标和手部分类置信度；
[0016]根据区域框坐标和手部分类置信度确定手部拍摄图片的手部检测区域；
[0017]将手部检测区域输入卷积特征提取网络。
[0018]在其中一个实施例中，手部检测网络包括卷积特征提取子网络和多尺寸特征融合子网络。
[0019]在其中一个实施例中，下采样倍数包括2的N次方倍；其中，N为大于1的自然数。
[0020]在其中一个实施例中，对应维数包括2的M次方维；其中，M为大于6的自然数。
[0021]在其中一个实施例中，待对比特征向量为256维向量。
[0022]一种手势识别装置，包括：
[0023]图片获取模块，用于获取手部拍摄图片；
[0024]图片传输模块，用于将手部拍摄图片输入卷积特征提取网络中，获取卷积特征提取网络中多份卷积特征；其中，各卷积特征对应的下采样倍数不同；
[0025]向量获取模块，用于将各卷积特征分别降维至对应维数向量，并拼接对应维数向量，得到待对比特征向量；
[0026]结果比对模块，用于比对待对比特征向量与预设手势库，得到识别结果；其中，预设手势库包括手势动作以及手势动作对应的多维特征向量。
[0027]上述的手势识别装置，在获取手部拍摄图片后，将手部拍摄图片输入卷积特征提取网络中，获取卷积特征提取网络中多份卷积特征。进一步地，将各卷积特征分别降维至对应维数向量，并拼接对应维数向量，得到待对比特征向量，最后比对待对比特征向量与预设手势库，得到识别结果。其中，预设手势库包括手势动作以及手势动作对应的多维特征向量。基于此，通过预先确定的预设手势库，由待对比特征向量与多维特征向量进行比对确定手部拍摄图片对应的手势动作，准确进行手势识别。同时，基于卷积特征提取网络的可预先训练的特点，保证手势识别的检测准确率。
[0028]一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的手势识别方法。
[0029]上述的计算机存储介质，在获取手部拍摄图片后，将手部拍摄图片输入卷积特征提取网络中，获取卷积特征提取网络中多份卷积特征。进一步地，将各卷积特征分别降维至对应维数向量，并拼接对应维数向量，得到待对比特征向量，最后比对待对比特征向量与预设手势库，得到识别结果。其中，预设手势库包括手势动作以及手势动作对应的多维特征向量。基于此，通过预先确定的预设手势库，由待对比特征向量与多维特征向量进行比对确定手部拍摄图片对应的手势动作，准确进行手势识别。同时，基于卷积特征提取网络的可预先训练的特点，保证手势识别的检测准确率。
[0030]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的手势识别方法。
[0031]上述的计算机设备，在获取手部拍摄图片后，将手部拍摄图片输入卷积特征提取网络中，获取卷积特征提取网络中多份卷积特征。进一步地，将各卷积特征分别降维至对应维数向量，并拼接对应维数向量，得到待对比特征向量，最后比对待对比特征向量与预设手势库，得到识别结果。其中，预设手势库包括手势动作以及手势动作对应的多维特征向量。
基于此，通过预先确定的预设手势库，由待对比特征向量与多维特征向量进行比对确定手部拍摄图片对应的手势动作，准确进行手势识别。同时，基于卷积特征提取网络的可预先训练的特点，保证手势识别的检测准确率。
附图说明
[0032]图1为一实施方式的手势识别方法流程图；
[0033]图2为另一实施方式的手势识别方法流程图；
[0034]图3为一实施方式的卷积特征提取网络结构示意图；
[0035]图4为一实施方式的手势识别装置模块结构图；
[0036]图5为一实施方式的计算机内部构造示意图。
具体实施方式
[0037]为了更好地理解本专利技术的目的、技术方案以及技术效果，以下结合附图和实施例对本专利技术进行进一步的讲解说明。同时声明，以下所描述的实施例仅用于解释本专利技术，并不用于限定本专利技术。
[0038]本专利技术实施例提供了一种手势识别方法。
[0039]图1为一实施方式的手势识别方法流程图，如图1所示，一实施方式的手势识别方法包括步骤S100至步骤S103：
[0040]S100，获取手部拍摄图片；
[0041]S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种手势识别方法，其特征在于，包括步骤：获取手部拍摄图片；将所述手部拍摄图片输入卷积特征提取网络中，获取所述卷积特征提取网络中多份卷积特征；其中，各所述卷积特征对应的下采样倍数不同；将各所述卷积特征分别降维至对应维数向量，并拼接所述对应维数向量，得到待对比特征向量；比对所述待对比特征向量与预设手势库，得到识别结果；其中，所述预设手势库包括手势动作以及所述手势动作对应的多维特征向量。2.根据权利要求1所述的手势识别方法，其特征在于，所述获取手部拍摄图片的过程，还包括步骤：对所述手部拍摄图片进行图像预处理。3.根据权利要求1所述的手势识别方法，其特征在于，将所述手部拍摄图片输入卷积特征提取网络中的过程，包括步骤：将所述手部拍摄图片输出至手部检测网络，获得所述手部拍摄图片中含手部的区域框坐标和手部分类置信度；根据所述区域框坐标和所述手部分类置信度确定所述手部拍摄图片的手部检测区域；将所述手部检测区域输入所述卷积特征提取网络。4.根据权利要求3所述的手势识别方法，其特征在于，所述手部检测网络包括卷积特征提取子网络和多尺寸特征融合子网络。5.根据权利要求1所述的手势识别方法，其特征在于，所述下采样倍数包括...

【专利技术属性】
技术研发人员：关本立，欧俊文，
申请(专利权)人：广州市奥威亚电子科技有限公司，
类型：发明
国别省市：