一种手势识别方法、装置、设备及存储介质制造方法及图纸

本申请实施例涉及残疾人通信或教学演示技术领域，特别涉及一种手势识别方法、装置、设备及存储介质。本申请首先在分数阶梯度下降算法中的分数阶梯度表达式中加入一阶动量，将整数阶梯度下降中的动量思想应用到分数阶梯度下降中，得到了通过带有动量信息的分数阶梯度下降算法；然后通过带有动量信息的分数阶梯度下降算法对手势识别模型的训练过程进行优化，能够提高模型训练的稳定性，构建更可靠稳定的手势识别模型，通过该手势识别模型对手势图像进行手势识别，能够提高手势识别的效率和准确度。度。度。

【技术实现步骤摘要】
一种手势识别方法、装置、设备及存储介质


[0001]本申请实施例涉及残疾人通信或教学演示
，尤其涉及一种手势识别方法、装置、设备及存储介质。

技术介绍

[0002]由于先天残疾或者后天各种灾难和疾病造成的听力残障人士在逐年增加，这类人群与人交流时，大多需要通过手势进行交流，对于这类人群，初学手势往往比正常人群更为困难，因此为这类人群提供手势识别辅助，帮助他们进行更好的交流显得非常必要，而对于手势识别辅助，提高手势识别的速度和精度是本研究方向的重点。
[0003]自20世纪末，国外就开始了基于手势识别的研究，主要分为基于外部设备的手势识别和基于计算机视觉的手势识别。相较于基于外部设备的手势识别方式，基于计算机视觉的手势识别方式更为方便灵活、降低了设备成本。
[0004]在基于计算机视觉的手势识别领域中，通常使用梯度下降法来多次迭代训练神经网络，但由于学习率决定优化器的可靠程度和风险度，学习率设置不当将导致容易陷入局部最优解、训练时间增长和训练速度降低的缺陷；另外，梯度下降法的每次迭代都需要遍历所有样本，一旦落入鞍点，梯度为零，模型参数不更新，模型训练的稳定性没有保障，导致手势识别的成功率低。

技术实现思路

[0005]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0006]本公开实施例的主要目的在于提出一种手势识别方法、装置、设备及存储介质，将整数阶梯度下降的动量思想应用到分数阶梯度下降中，通过带有动量信息的分数阶梯度下降算法对手势识别模型的训练过程进行优化，提高模型训练的稳定性，进而构建更可靠稳定的手势识别模型，以提高手势识别的效率和准确度。
[0007]为实现上述目的，本公开实施例的第一方面提出了一种手势识别方法，所述手势识别方法包括：
[0008]获取手势图像；
[0009]将所述手势图像输入至预设的手势识别模型中进行手势识别，得到所述手势识别模型输出的手势识别结果；其中，通过带有动量信息的分数阶梯度下降算法对所述手势识别模型的训练过程进行优化，通过如下方式得到所述带有动量信息的分数阶梯度下降算法：
[0010]获取分数阶梯度下降算法的分数阶梯度表达式，并在所述分数阶梯度下降算法中的所述分数阶梯度表达式中加入一阶动量，得到所述带有动量信息的分数阶梯度下降算法；其中，所述一阶动量是各个时刻梯度方向的平均值。
[0011]在一些实施例中，所述通过带有动量信息的分数阶梯度下降算法对所述手势识别
模型的训练过程进行优化，包括：
[0012]在所述手势识别模型的训练过程中，通过带有动量信息的分数阶梯度下降算法更新所述手势识别模型的损失函数。
[0013]在一些实施例中，所述获取分数阶梯度下降算法的分数阶梯度表达式，包括：
[0014]根据分数阶微分方程定义得到所述分数阶梯度表达式。
[0015]在一些实施例中，所述分数阶梯度表达式包括：
[0016][0017]其中，ω表示待优化参数，μ表示学习率，k表示迭代次数，α表示分数阶的阶数，Γ()表示Gamma函数。
[0018]在一些实施例中，在所述分数阶梯度表达式中加入一阶动量，得到动量分数阶梯度表达式，所述动量分数阶梯度表达式包括：
[0019][0020][0021]其中，ω表示待优化参数，μ表示学习率，k表示迭代次数，α表示分数阶的阶数，m
k
表示所述一阶动量，β表示动量因子，g
i
表示第i次迭代的梯度。
[0022]在一些实施例中，所述手势识别模型的最小常量表示式包括：
[0023][0024]其中，表示自然数集合，σ表示所述手势识别模型的最小常量。
[0025]在一些实施例中，所述手势识别模型在动量梯度更新中的学习率μ＝0.1，动量因子β＝0.9，分数阶的阶数α＝0.999，最小常量σ＝1e
‑7。
[0026]为实现上述目的，本公开实施例的第二方面提出了一种手势识别装置，所述手势识别装置包括：
[0027]图像获取单元，用于获取手势图像；
[0028]手势识别单元，用于将所述手势图像输入至预设的手势识别模型中进行手势识别，得到所述手势识别模型输出的手势识别结果；其中，通过带有动量信息的分数阶梯度下降算法对所述手势识别模型的训练过程进行优化，通过如下方式得到所述带有动量信息的分数阶梯度下降算法：
[0029]获取分数阶梯度下降算法的分数阶梯度表达式，并在所述分数阶梯度下降算法中的所述分数阶梯度表达式中加入一阶动量，得到所述带有动量信息的分数阶梯度下降算法；其中，所述一阶动量是各个时刻梯度方向的平均值。
[0030]为实现上述目的，本公开实施例的第三方面提出了一种电子设备，包括至少一个
存储器；
[0031]至少一个处理器；
[0032]至少一个计算机程序；
[0033]所述计算机程序被存储在所述存储器中，处理器执行所述至少一个计算机程序以实现：
[0034]如第一方面实施例任一项所述的手势识别方法。
[0035]为实现上述目的，本公开实施例的第四方面还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：
[0036]如第一方面实施例任一项所述的手势识别方法。
[0037]本申请实施例第一方面提供了一种手势识别方法，方法首先通过带有动量信息的分数阶梯度下降算法对手势识别模型的训练过程进行优化，将整数阶梯度下降中的动量思想应用到分数阶梯度下降中，能够构建更可靠稳定的手势识别模型，通过该手势识别模型对手势图像进行手势识别，能够提高手势识别的效率和准确度。
[0038]可以理解的是，上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
[0039]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0040]图1是本申请一个实施例提供的一种手势识别方法的流程示意图；
[0041]图2是本申请一个实施例提供的带有动量信息的分数阶梯度下降算法进行手势识别的流程示意图；
[0042]图3是本申请一个实施例提供的一种手势识别装置的结构示意图；
[0043]图4是本申请一个实施例提供的一种电子设备的结构示意图。
具体实施方式
[0044]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
[0045]需要说明的本文档来自技高网...

【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，所述手势识别方法包括：获取手势图像；将所述手势图像输入至预设的手势识别模型中进行手势识别，得到所述手势识别模型输出的手势识别结果；其中，通过带有动量信息的分数阶梯度下降算法对所述手势识别模型的训练过程进行优化，通过如下方式得到所述带有动量信息的分数阶梯度下降算法：获取分数阶梯度下降算法的分数阶梯度表达式，并在所述分数阶梯度下降算法中的所述分数阶梯度表达式中加入一阶动量，得到所述带有动量信息的分数阶梯度下降算法；其中，所述一阶动量是各个时刻梯度方向的平均值。2.根据权利要求1所述的手势识别方法，其特征在于，所述通过带有动量信息的分数阶梯度下降算法对所述手势识别模型的训练过程进行优化，包括：在所述手势识别模型的训练过程中，通过带有动量信息的分数阶梯度下降算法更新所述手势识别模型的损失函数。3.根据权利要求2所述的手势识别方法，其特征在于，所述获取分数阶梯度下降算法的分数阶梯度表达式，包括：根据分数阶微分方程定义得到所述分数阶梯度表达式。4.根据权利要求3所述的手势识别方法，其特征在于，所述分数阶梯度表达式包括：其中，ω表示待优化参数，μ表示学习率，k表示迭代次数，α表示分数阶的阶数，Γ()表示Gamma函数。5.根据权利要求2所述的手势识别方法，其特征在于，在所述分数阶梯度表达式中加入一阶动量，得到动量分数阶梯度表达式，所述动量分数阶梯度表达式包括：一阶动量，得到动量分数阶梯度表达式，所述动量分数阶梯度表达式包括：其中，ω表示待优化参数，μ表示学习率，k表示迭代次数，α表示分数阶的阶数，m
k

【专利技术属性】
技术研发人员：阎石，赵东东，孙卫国，孙万胜，张国华，
申请(专利权)人：兰州大学，
类型：发明
国别省市：