摘要
手势识别相比于人脸识别、行为识别等更具有直观性和简洁性，因此手势识别广泛应用于人机交互中。为了进一步提升手势识别的综合性能，本文使用传统方法和深度学习方法分别进行特征提取，通过优化集成分类器来改善手势识别的分类效果，并开发了一个基于自制数据集的手势识别系统。论文主要包括以下几个方面： 手势特征提取方法分为两类，一类是基于传统的手势特征提取方法，如Hu距、颜色直方图、梯度直方图和Hausdorff距离等方法，一类是基于深度学习的特征提取方法，如AlexNet，VGGNet，ResNet等。本文选取梯度直方图结合主成分分析法除去冗余信息，保留手势特征的主要成分。特征提取之后，对分类器进行改良，提出了一个基于人工蜂群（AtificialBeeColony,ABC）算法优化的集成分类器，通过ABC算法为3个基分类器SVM分类器、KNN分类器和XGBoost分类器寻找最优的权重值，形成一个分类效果更佳的集成分类器，并在公开数据集HandPostures上与各基分类器进行了对比实验，证明了该集成分类器可有效提高手势识别率。 相比于传统特征提取的方法，卷积神经网络特征提取能力强、可以获取更多的全局信息，本文在深度残差收缩网络的基础上提出了一种改进的深度残差收缩网络，通过替换性能更佳的激活函数、简化注意力机制的底层结构来优化网络的性能，并且对比了改进前后深度残差收缩网络的识别效果，验证了该网络的有效性；为了进一步提升手势识别的综合性能，将改进的网络和集成分类器进行结合，并与Softmax分类器对比，实验表明本文所提方法具有更好的分类效果。 为了验证所提方法的适用性，制作了一个面向家居场景的手势数据集，并与公开数据集上的识别性能进行了对比，基于PyQt5框架，设计了一个可在线识别、离线识别的手势识别系统，分别测试了两种不同模式下手势识别的效果，实验表明该系统可以稳定、高效地对手势进行识别。
NETL