基于改进YOLOv3的手势实时识别方法

摘要：

针对基于人工建模方式的手势识别方法准确率低、速度慢的问题,提出一种基于改进YOLOv3的静态手势实时识别方法.采用卷积神经网络YOLOv3模型,将通过Kinect设备采集的IR、Registration of RGB、RGB和Depth图像代替常用的RGB图像作为数据集,并融合四类图像的识别结果以提高识别准确率.采用k-means聚类算法对YOLOv3中的初始候选框参数进行优化,从而加快识别速度.在此基础上,利用迁移学习的方法对基础特征提取器进行改进,以缩短模型的训练时间.实验结果表明,该方法对流式视频静态手势的平均识别准确率为99.8％,识别速度高达52 FPS,模型训练时间为12h,与Faster R-CNN、SSD、YOLOv2等深度学习方法相比,其识别精度更高,识别速度更快.

关键词：手势识别、YOLOv3模型、Kinect设备、聚类算法、迁移学习

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家大学生创新训练项目

在线出版日期：2020-04-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：237-245,253