摘要
目前基于视觉的动态手势识别问题仍是研究的难点,在大多数应用背景情况下很难提高手势识别率.传统的动态手势识别手段主要是利用智能传感设备以及单个或多个摄像头进行数据采集的视觉方法来实现,效率低,准确度差.近年来,随着深度神经网络技术的快速发展,利用网络自主学习的方法来提取手势姿态有关特征得到了广泛关注.本文针对传统动态手势识别准确率低的问题构建了 Inception-CNN网络和LSTM网络融合的方法.在Cambridge-Gesture、VIVA以及Sheffield Kinect Gesture Dataset(SKIG)三个动态手势数据集上实验结果表明融合Inception-LSTM级联网络的识别率高,与现有的传统方法和当下流行的多种卷积神经网络方法相比,本文手势平均识别率和各个类别的手势识别率均高于现有方法,充分证明了本文方法的有效性和鲁棒性.
NETL
NSTL
维普
万方数据