操小文，薄華

　　（上海海事大學 信息工程學院，上海201306）

　　摘要：傳統的手勢識別系統由特征提取和分類器組成，需要人工設計特征，但很難達到足夠滿意的效果且耗費大量的時間。將卷積神經網絡應用于手勢識別，能直接把圖像數據輸入網絡，且不用進行復雜的前期預處理。卷積神經網絡擁有很強的魯棒性和較低的復雜性，通過大量的仿真實驗，證明了該識別方法具有很好的識別效果，相比現有方法有較大的優勢。

　　關鍵詞：特征提取；卷積神經網絡；手勢識別；魯棒性

0引言

　　隨著現有科學技術的發展，機器人技術［1］將會給人類帶來很大的便利，而人機交互［2］則是其中最重要的一環。因此，要讓機器人根據人的指示完成相應的動作，就必須要讓機器人“明白”人的指示。人們平時運用最多的就是手勢，而基于視覺的手勢識別技術涉及到模式識別［3］、圖像處理以及計算機視覺［4］等許多領域，是現在非常熱門的研究課題。目前國內對基于視覺的手勢識別技術已展開了許多的研究工作。

　　關于手勢識別［5］的常用算法有以下三種：（1）基于幾何特征［6］的手勢識別。將手勢的區域和邊緣特征用作待識別的特征，并采用各種距離公式進行模板匹配。該方法有較強的適應性和穩定性，但是學習能力不足且效率不高，有很明顯的不足。（2）基于隱馬爾可夫模型的手勢識別。這是一種統計分析模型，其拓撲結構具有一般性，能夠很好地描述手勢信號的時空變化，適用于動態手勢的識別，但是計算量過于龐大且速度緩慢，不能很好地滿足當前應用的需要。（3）基于人工神經網絡［7］的手勢識別。具有較強的學習能力和抗干擾能力，而且網絡能很好地擬合各類非線性映射，在擁有更快的計算速度的同時還有很強的魯棒性和泛化能力，但由于其對時間序列的處理能力不強，主要應用于靜態手勢識別［8］，而對于動態手勢的識別［9］則效果不佳。

　　由以上分析可知，現有算法都有或多或少的缺陷，因此未能得到很好的應用。而卷積神經網絡（Ｃonvolutional Neural Network,CNN）在二維圖像處理中的獨特優勢，使其在手勢識別中的研究也漸漸開展。

1卷積神經網絡

　　傳統圖像識別［10］的分類模型如圖1所示。人工設計特征是一件非常耗時耗力的事情，必須要有非常深厚的專業知識和經驗才能確定出能用于正確分類的特征。然而卷積神經網絡［11］則不需要人工設計特征，它能夠將圖像數據直接輸入網絡中，然后在輸出端即可給出分類結果。其分類模型如圖2所示。

　　1.1CNN網絡結構

　　CNN包含有兩種特殊的神經元層，分別是卷積層和下采樣層［12］，其整個網絡結構由卷積層（C）和下采樣層（S）交替出現最后與全連接層（F）相連所構成，并在最后的輸出層給出結果。本文的網絡結構如圖3所示。

　　卷積操作其實是用一個卷積核［13］（即特征矩陣）在圖像矩陣上移動，卷積核與圖像上相對位置的元素作乘積，最后將所得結果相加得到一個值。當卷積核移動完畢，所有值就構成了一個新的圖像矩陣，即完成了對上一層的特征抽取。其數學表達式如（1）所示：

　　其中，f為激活函數，一般為sigmoid或tanh；b為偏置項。

　　下采樣則相當于對特征進行二次提取，這樣做是為了對上一層的特征進行降維，減少計算量并且避免因特征過多導致出現過擬合。經過降維后的特征更能刻畫出圖像的一般性，更加適用于分類［14］，并可以增強網絡結構對位移的魯棒性。

　　下采樣的一般形式如式（2）：

　　xij=down(xi-1j）(2)

　　down(·) 為下采樣函數，與卷積操作類似，其也是對一個區域的加權求和，若用n×n大小的窗口進行下采樣，最終的圖像大小將會是輸入圖像的1/n。

　　1.2基于卷積神經網絡的算法及訓練過程

　　本文所采用的網絡結構有8層，包含輸入層、3層卷積層、3層下采樣層、1層全連接層。與參考文獻［8］相比，本文所用網絡多了一層卷積層和一層下采樣層，且卷積核大小設置也不一樣。本文將網絡的學習速率（alpha）設置為0.2，批次大小（batchsize）設置為20，迭代次數（numepochs）設置為150。且卷積核和各偏置等參數的初始值均隨機產生，輸入樣本后通過前向傳播和反向傳播算法對網絡進行訓練來更新參數。其中每層所做的操作如下：

　　(1)輸入層是已經歸一化為48×48的圖像，經二值化處理后即可輸入網絡。

　　(2)C1網絡層是對輸入圖像進行卷積所得結果，本文使用7×7的卷積核對輸入圖像進行特征抽取，該層特征圖為3張，大小為42×42。

　　(3)S2網絡層是對C1層進行的抽樣，抽樣窗口大小為2×2，此時特征圖數量仍為3張，大小為21×21。

　　(4)C3是對S2的卷積操作，卷積核大小設置為6×6，特征圖為5張，大小為16×16。

　　(5)S4網絡層（同S2），為第二個下采樣層，抽樣窗口仍是2×2，特征圖為5張，大小為8×8。

　　(6)C5是第三個卷積層，卷積核大小為5×5，此時圖像大小為4×4，特征圖數量設置為7張。

　　(7)S6是第三個下采樣層，經2×2的抽樣窗口后大小是2×2，圖像數量為7張。

　　(8)F7層是全連接層，是把S6層的特征數據向量化后連接到輸出層。根據分類的類別數，本文的輸出層有三個神經元，即分三類。

　　整個網絡結構確定后，利用前向傳播（fp）、反向傳播（bp）等算法確定網絡參數，這樣整個網絡就訓練完畢。

2仿真實驗

　　2.1手勢圖像的預處理

　　雖然CNN可以直接輸入原始圖像，但是簡單的預處理可以使最終識別效果更好而又不耗費太多時間。

　　本文將圖像進行灰度和二值化處理，最終歸一化到48×48作為試驗的最終輸入數據，如圖4所示。

　　2.2實驗結果及分析

　　本文的實驗數據均為作者自己拍攝，手勢總共有3種，分別是指向手勢1、勝利手勢2、搖滾手勢3，如圖5所示。當用設備拍攝時，保持設備與手的位置基本不變，在限制范圍內，手可以任意旋轉、平移，方向不定。

　　對于神經網絡結構，樣本的多少對最終學習效果有很大的影響。樣本過少會使網絡無法學習到圖像的有效特征，降低識別效率。因此本文拍攝了大量的樣本來進行試驗，從各類手勢中選取2 500個訓練樣本和500個測試樣本。取其迭代10次的平均識別率作為該方法的最終識別率。

　　（1）分別用圖像的灰度圖和二值圖進行試驗，結果如表1、表2所示。

　　由以上結果可知，卷積神經網絡在手勢識別中擁有較高的識別率，且在單一背景下因手的灰度與周圍環境的反差，用二值圖像能獲得更好的識別率。后續試驗均采用二值化圖像進行。

　　（2）為了驗證該網絡結構的魯棒性，模擬真實情況下的場景，給圖像加上3種不同程度的噪聲和3種不同程度的運動模糊。如圖6所示。

　　實驗結果如表3~表8所示。

　　由上述結果可知，給圖像加了噪聲和運動模糊后，各類手勢的識別率均有所下降，且受影響最大的為手勢3，可能因為手勢3最復雜，所包含的特征數最多，在噪聲和模糊的影響下所掩蓋的特征最多，導致識別率下降最快。但是在一定程度內，識別率雖有所下降但依舊維持在一個較高的水準，表明該網絡確實有很強的魯棒性，沒有因為噪聲和模糊的存在而出現較大的異常，完全可以滿足現有的應用需要。

3結論

　　卷積神經網絡避免了對圖像前期復雜的預處理，不用去人工設計和提取特征，節省了大量的時間和人工成本。其獨特的卷積-下采樣結構使其擁有很強的容忍畸變的能力，而獨有的權值共享則極大地縮減了網絡的訓練參數，大大降低了計算量，且使其擁有更簡單的網絡結構和更強的適應能力，給圖像處理領域帶來了極大的方便。

　　本文通過大量的仿真實驗，驗證了卷積神經網絡在手勢識別中的高效性和強魯棒性，具有很好的應用前景。后續可以通過對網絡結構和算法的一些改進，進一步降低其在手勢識別中的誤識率。

參考文獻

　　［1］ 劉江華,程君實,陳佳品.基于視覺的動態手勢識別及其在仿人機器人交互中的應用［J］. 機器人， 2002，24(3):4651.

　　［2］ 王茂吉.基于視覺的靜態手勢識別系統［D］. 哈爾濱：哈爾濱工業大學，2006.

　　［3］ 孫世輝.基于視覺的復雜背景下手勢識別方法的研究［D］. 大連：大連海事大學，2014.

　　［4］ 王振,高茂庭.基于卷積神經網絡的圖像識別算法設計與實現［J］.現代計算機，2015，34(7):6166.

　　［5］ 張圓圓.基于視覺的手勢識別技術及其應用研究［J］.計算技術與自動化，2015，34(1):131135.

　　［6］ 殷倩倩.基于計算機視覺的靜態手勢識別［D］. 上海：復旦大學，2014.

　　［7］ 陳先昌.基于卷積神經網絡的深度學習算法與應用研究［D］.杭州：浙江工商大學,2013.

　　［8］ 劉飛飛.基于視覺的實時手勢識別及應用［D］. 西安：長安大學，2015.

　　［9］ 王西穎,戴國忠,張習文,等.基于HMMFNN模型的復雜動態手勢識別［J］. 軟件學報， 2008，19(9):2529.

　　［10］ 楊耿,和衛星.運動目標圖像識別與跟蹤系統的研究［J］.計算機測量與控制，2005，13(3):267269.

　　［11］ LECUN Y, BOTTOU L, BENGIO Y, et al. Gradientbased learning applied to document recognition［J］. Proceedings of the IEEE, 1998,86(11):22782324.

　　［12］ 趙志宏,楊紹普,馬增強.基于卷積神經網絡LeNet5的車牌字符識別研究［J］.系統仿真學報,2010,22(3):638641.