【技术实现步骤摘要】
一种基于改进YOLOv5的手势识别方法
[0001]本专利技术涉及目标检测
,具体涉及一种改进
YOLOv5
的手势识别检测方法
。
技术介绍
[0002]随着科技的高速发展,人类的生活越来越智能化,人机交互技术也受到了更大的关注,人机交互的发展给人类带了便利,手势作为人机交互的重要组成部分,已融入到人们生活之中,如现在火热的智能家居
、
手语教育都会用到手势识别技术
。
[0003]传统的人工提取特征方式是手势识别的常见的提取方式,但是这种提取方式不仅复杂繁琐而且还没有泛化性
。
近年来随着深度学习的不断发展,它在图像和声音识别中取得了重要成就
。
基于深度学习的手势识别技术成为一种新的趋势
。
与传统的手势识别技术相比,基于深度学习的手势识别技术是通过人们把手势图像数据传入神经网络去训练,完成学习的手势识别模型自己可以准确的识别不同手势
。
这种手势识别技术具有很强的鲁棒性,适用于不同场景下的手势识别
。
如专利申请号为
201710208528.1
一种手势识别
、
手势控制及多层神经网络训练方法
、
装置及电子设备
。
其中,手势识别方法,包括:通过多层神经网络对图像进行手势信息检测,得到所述图像中的手可能区域
、
手势可能类别及其概率;所述手势可能类别包括:无手势类别以及至少一种手势类别; ...
【技术保护点】
【技术特征摘要】
1.
一种基于改进
YOLOv5
的手势识别方法,其特征在于:对
YOLOv5
网络模型进行修改形成改进后的
YOLOv5
网络模型;对改进后的
yolov5
网络模型进行训练得到训练后的
YOLOv5
网络模型;利用训练后的
YOLOv5
网络模型输入待识别的图像数据后输出识别结果
。2.
如权利要求1所述的一种基于改进
YOLOv5
的手势识别方法,其特征在于:改进后的
yolov5
网络模型包括输入层
、Backbone
层
、Neck
层
、Head
层;其中,输入层包括依次串接的
Mosaic
数据增强模块
、
自适应锚框计算模块,用于对输入的数据进行输入处理
。3.
如权利要求2所述的一种基于改进
YOLOv5
的手势识别方法,其特征在于:所述
Backbone
层采用
ShufflenetV2
轻量级网络完成信息融合输出
。4.
如权利要求3所述的一种基于改进
YOLOv5
的手势识别方法,其特征在于:
ShufflenetV2
轻量级网络结构包括
CBRM
模块
、Channel Shuffle
模块,输入层输入的图像数据依次经过串联的
CBRM
模块
、Channel Shuffle
模块
1、Channel Shuffle
模块
2、Channel Shuffle
模块
3、Channel Shuffle
模块
4、Channel Shuffle
模块
5、Channel Shuffle
模块6引出
ShufflenetV2
轻量级网络的输出端子1;在
Channel Shuffle
模块
2、Channel Shuffle
模块3之间引出
ShufflenetV2
轻量级网络的输出端子2;在
ChannelShuffle
模块
4、Channel Shuffle
模块5之间引出
ShufflenetV2
轻量级网络的输出端子3;输出端子
1、2、3
分别输出提取到的不同尺寸的特征图,为
Neck
层网络的特征图的压缩和融合提供输入数据
。5.
如权利要求4所述的一种基于改进
YOLOv5
的手势识别方法,其特征在于:所述
Neck
层结构将主干网...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。