手势识别模型训练及手势识别方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种手势识别模型训练及手势识别方法、装置、设备及介质，涉及计算机视觉技术领域，手势识别模型训练方法包括：拍摄手部配戴有红色系手套的多张手势图像，对每张手势图像依次进行从RGB色彩空间转换成YCrCb空间、图像前景背景划分、二值化处理，得到手势分割图像；构建卷积神经网络结构，利用多张手势分割图像对卷积神经网络结构进行训练，得到手势识别模型。手势识别方法为：将待识别的图片或视频输入手势识别模型中，利用手势识别模型对待识别的图片或视频进行手势识别。本发明专利技术对图像中的手势分割效果好，通过本发明专利技术进行手势识别的识别准确率可明显提高。识别的识别准确率可明显提高。识别的识别准确率可明显提高。

【技术实现步骤摘要】
手势识别模型训练及手势识别方法、装置、设备及介质


[0001]本专利技术涉及计算机视觉
，具体涉及一种手势识别模型训练及手势识别方法、装置、设备及介质。

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，用户可以使用简单的手势来控制或与设备交互，让计算机理解人类的行为，手势识别作为人机交互的重要组成部分，其研究发展影响着人机交互的自然性和灵活性。手势无论是静态或动态，其识别顺序均为先进行图像的获取，然后对手势进行检测、分割、分析，再进行静态或动态的手势识别，其核心技术为手势分割、手势分析以及手势识别。
[0003]由于图像在整个手势识别过程中起到重要作用，在识别手势的同时不会过度增加计算负担，且传统的基于模板识别的手势识别存在可识别类别少的问题，因此，基于深度学习的手势识别近年来引起了研究人员的极大关注。目前，基于深度学习的手势识别已经取得了很大进展，但由于环境变化(场景、光照变化、背景噪声、类肤色背景等复杂背景)、手的差异(不同年龄、不同肤色、手部形状大小等差异)、手自身存在遮挡本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种手势识别模型训练方法，其特征在于，包括以下步骤：步骤S1：拍摄手部配戴有红色系手套的多张手势图像，对于每张所述手势图像，将所述手势图像从RGB色彩空间转换成YCrCb空间，得到YCrCb格式图像；步骤S2：对于每张所述YCrCb格式图像，将所述YCrCb格式图像划分为前景区域和背景区域，得到阈值分割图像；步骤S3：对于每张所述阈值分割图像，对所述阈值分割图像进行二值化处理，得到手势分割图像；步骤S4：构建卷积神经网络结构，利用多张所述手势分割图像对卷积神经网络结构进行训练，得到手势识别模型。2.根据权利要求1所述的一种手势识别模型训练方法，其特征在于，所述步骤S1中，所述红色系手套的颜色的RGB值为(255,0,0)。3.根据权利要求1所述的一种手势识别模型训练方法，其特征在于，所述步骤S1中，将所述手势图像从RGB色彩空间转换成YCrCb空间，得到YCrCb格式图像，包括：通过第一公式，将所述手势图像从RGB色彩空间转换成YCrCb空间，得到YCrCb格式图像，其中，所述第一公式为：上式中，R、G、B分别表示红色、绿色、蓝色的像素值，R、G、B的取值范围均为[0,255]。4.根据权利要求1所述的一种手势识别模型训练方法，其特征在于，所述步骤S2中，对于每张所述YCrCb格式图像，将所述YCrCb格式图像划分为前景区域和背景区域，得到阈值分割图像，包括：采用最大类间方差法将所述YCrCb格式图像划分为前景区域和背景区域，得到阈值分割图像。5.根据权利要求4所述的一种手势识别模型训练方法，其特征在于，所述采用最大类间方差法将所述YCrCb格式图像划分为前景区域和背景区域，得到阈值分割图像，具体包括：步骤S2.1：确定所述YCrCb格式图像的第一灰度平均值；步骤S2.2：初始化当前灰度阈值和二维数组，所述当前灰度阈值的初始值为0；步骤S2.3：将所述YCrCb格式图像中灰度值小于所述当前灰度阈值的部分作为初始背景部分，将所述YCrCb格式图像中灰度值大于所述当前灰度阈值的部分作为初始前景部分；确定所述初始背景部分的第二灰度平均值，以及所述初始前景部分的第三灰度平均值；确定所述初始背景部分所包含的像素点个数占所述YCrCb格式图像所包含的总像素点个数的第一比例，以及所述初始前景部分所包含的像素点个数占所述YCrCb格式图像...

【专利技术属性】
技术研发人员：陈灯，李磊，魏巍，张彦铎，吴云韬，卢涛，周华兵，刘玮，段功豪，于宝成，鞠剑平，唐剑隐，徐文霞，栗娟，彭丽，
申请(专利权)人：武汉引行科技有限公司，
类型：发明
国别省市：