摘要
在人机协作领域,针对动作手势相似度大,环境复杂背景下手势识别率低的问题,提出一种基于YOLO深度卷积神经网络检测识别缝纫手势的方法.以4种复杂缝纫手势作为检测对象并构建缝纫手势数据集,通过在YOLOv3低分辨率的深层网络处增加密集连接层,加强图像特征传递与重用提高网络性能,实现端到端的缝纫手势检测.实验结果表明,在缝纫手势测试集中,训练后的模型平均精度均值为94.45％,交并比为0.87,调和平均值为0.885.通过对比区域卷积神经网络、YOLOv2以及原始YOLOv3算法,提出的改进方法检测精度有显著提升;同时在GPU加速情况下,平均检测速度为43.0帧/s,可完全满足缝纫手势的实时检测.
基金项目
国家自然科学基金(51607133)
教育部工程科技人才培养研究项目(18JDGC029)
中国纺织工业联合会科技指导性计划项目(2018098)
西安工程大学博士科研启动基金(107020384)
研究生创新基金(chx2019025)
NETL
NSTL
维普
万方数据