手势识别方法、装置、存储介质和电子设备制造方法及图纸

本公开提供了一种手势识别方法、装置、存储介质和电子设备，涉及计算机技术领域。该上述手势识别方法是先对所述待识别图像中的手势特征进行提取，得到多个第一特征图，然后对所述多个第一特征图进行卷积，得到宽度与高度均为1像素的第二特征图。也就是说，本公开实施例通过卷积代替传统方案中的池化步骤，在可以得到与传统池化相同输出的前提下，尽可能的保留更多的通道信息，避免了传统池化过程中损失部分通道信息的问题，进而提高通过全连接层对待识别图像中手势类型识别的准确性。待识别图像中手势类型识别的准确性。待识别图像中手势类型识别的准确性。

【技术实现步骤摘要】
手势识别方法、装置、存储介质和电子设备


[0001]本公开涉及计算机
，尤其涉及一种手势识别方法、装置、存储介质和电子设备。

技术介绍

[0002]人机交互(Human
‑
Computer Interaction，HCI)是指人和计算机之间的信息交换，主要包括人到计算机和计算机到人的信息交换两部分。在人到计算机的信息交换部分，需要人发出一些交互指令，例如图形、语音、手势、体式、触感等，其中，在移动终端最为常用的为手势指令，计算机通过读取手势指令进行信息处理。
[0003]因为移动终端的计算能力不如计算机设备，因此，在移动终端一般使用轻量级的手势识别模型来进行手势指令的识别。目前利用轻量级的手势识别模型进行手势识别的方式主要包括，第一种方式，对卷积网络的深度和宽度进行压缩，以来提高手势识别的效率，但是导致的结果便是因为压缩而导致识别准确性降低；第二种方式，通过增加特征提取层来提高手势识别的准确性，但是导致的结果就是降低识别的效率。
[0004]因此，目前的手势识别效果均不佳。

技术实现思路

[0005]本公开提供了一种手势识别方法、装置、存储介质和电子设备，进而提高手势识别的效率与识别准确性。
[0006]第一方面，本公开一个实施例提供了一种手势识别方法，该方法基于轻量级手势识别模型实现，轻量级手势识别模型至少包括：第一卷积层、第二卷积层和全连接层；该方法包括：
[0007]调用第一卷积层对待识别图像中的手势特征进行提取，得到多个第一特征图；/>[0008]调用第二卷积层中包含的多个子卷积层依次对多个第一特征图进行卷积，直至得到多个第二特征图；其中，多个第二特征图的宽度与高度均为1像素；
[0009]调用全连接层对多个第二特征图进行预测处理，得到识别结果；
[0010]根据识别结果确定待识别图像中手势的类型。
[0011]在本公开一个可选实施例中，调用第二卷积层中包含的多个子卷积层依次对多个第一特征图进行卷积，直至得到多个第二特征图，包括：
[0012]调用第二卷积层中包含的多个子卷积层依次对多个第一特征图进行卷积，得到多个第一子特征图；
[0013]若多个第一子特征图的宽度与高度均为1像素，则确定第一子特征图为第二特征图。
[0014]在本公开一个可选实施例中，调用第二卷积层中包含的多个子卷积层依次对多个第一特征图进行卷积，直至得到多个第二特征图，还包括：
[0015]若第一子特征图的宽度与高度中至少一个不为1像素，则将多个第一子特征图作
为多个第一特征图，继续对多个第一特征图进行卷积，直至得到的新的第一子特征图的宽度与高度均为1像素，则将得到的新的第一子特征图确定为第二特征图。
[0016]在本公开一个可选实施例中，第二卷积层至少包括：第一子卷积层与第二子卷积层；调用第二卷积层中包含的多个子卷积层依次对多个第一特征图进行卷积，直至得到多个第二特征图，包括：
[0017]调用第一子卷积层，基于第一卷积核对多个第一特征图进行卷积，得到多个第二子特征图；
[0018]调用第二子卷积层，基于第二卷积核对多个第二子特征图进行卷积，得到多个第二特征图；其中，第一卷积核与第二卷积核的大小根据第一特征图、第二子特征图与第二特征图的大小确定。
[0019]在本公开一个可选实施例中，第一卷积核与第二卷积核的大小满足如下关系：
[0020]W1‑
2W2＝K1‑
K2‑1[0021]其中，W1表示第一特征图的尺寸，W2表示第二子特征图的尺寸，K1表示第一卷积核的尺寸，K2表示第二卷积核的尺寸。
[0022]在本公开一个可选实施例中，多个第二特征图的通道数小于多个第一特征图的通道数，且大于多个第一子特征图的通道数。
[0023]在本公开一个可选实施例中，调用全连接层对多个第二特征图进行预测处理，得到识别结果，包括：
[0024]调用全连接层将多个第二特征图转换为一维特征向量；
[0025]对一维特征向量进行分类预测处理，得到识别结果。
[0026]在本公开一个可选实施例中，对一维特征向量进行分类预测处理，得到识别结果，包括：
[0027]对一维特征向量进行识别处理，得到初始识别结果；
[0028]基于预设的交叉熵损失函数对初始识别结果进行优化处理，得到识别结果。
[0029]在本公开一个可选实施例中，对一维特征向量进行分类预测处理，得到识别结果，还包括：
[0030]基于预设的度量学习损失函数对初始识别结果进行优化处理，得到识别结果。
[0031]第二方面，本公开一个实施例提供了一种手势识别装置，基于轻量级手势识别模型实现，轻量级手势识别模型至少包括：第一卷积层、第二卷积层和全连接层；该装置包括：
[0032]第一卷积模块，用于调用第一卷积层对待识别图像中的手势特征进行提取，得到多个第一特征图；
[0033]第二卷积模块，用于调用第二卷积层中包含的多个子卷积层依次对多个第一特征图进行卷积，直至得到多个第二特征图；其中，多个第二特征图的宽度与高度均为1像素；
[0034]全连接模块，用于调用全连接层对多个第二特征图进行预测处理，得到识别结果；
[0035]确定模块，用于根据识别结果确定待识别图像中手势的类型。
[0036]第三方面，本公开一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上的方法。
[0037]第四方面，本公开一个实施例提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行如上的方法。
[0038]本公开的技术方案具有以下有益效果：
[0039]上述手势识别方法是先对待识别图像中的手势特征进行提取，得到多个第一特征图，然后对多个第一特征图进行卷积，得到宽度与高度均为1像素的第二特征图。也就是说，本公开实施例通过卷积代替传统方案中的池化步骤，在可以得到与传统池化相同输出的前提下，尽可能的保留更多的通道信息，避免了传统池化过程中损失部分通道信息的问题，进而提高通过全连接层对待识别图像中手势类型识别的准确性。
[0040]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0041]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施方式，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]图1示出本示例性实施方式中一种手势识别方法的应用场景示意图；
[0043]图2示出本示例性实施方式中一种手势识别方法的流程图；
[0044]图3示出本示例性实施方式中一种轻量级手势识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种手势识别方法，其特征在于，所述方法基于轻量级手势识别模型实现，所述轻量级手势识别模型至少包括：第一卷积层、第二卷积层和全连接层；所述方法包括：调用所述第一卷积层对待识别图像中的手势特征进行提取，得到多个第一特征图；调用所述第二卷积层中包含的多个子卷积层依次对所述多个第一特征图进行卷积，直至得到多个第二特征图；其中，所述多个第二特征图的宽度与高度均为1像素；调用所述全连接层对所述多个第二特征图进行预测处理，得到识别结果；根据所述识别结果确定所述待识别图像中手势的类型。2.根据权利要求1所述的手势识别方法，其特征在于，所述调用所述第二卷积层中包含的多个子卷积层依次对所述多个第一特征图进行卷积，直至得到多个第二特征图，包括：调用所述第二卷积层中包含的所述多个子卷积层依次对所述多个第一特征图进行卷积，得到多个第一子特征图；若所述多个第一子特征图的宽度与高度均为1像素，则确定所述第一子特征图为所述第二特征图。3.根据权利要求2所述的手势识别方法，其特征在于，所述调用所述第二卷积层中包含的多个子卷积层依次对所述多个第一特征图进行卷积，直至得到多个第二特征图，还包括：若所述第一子特征图的宽度与高度中至少一个不为1像素，则将所述多个第一子特征图作为所述多个第一特征图，继续对所述多个第一特征图进行卷积，直至得到的新的第一子特征图的宽度与高度均为1像素，则将得到的所述新的第一子特征图确定为所述第二特征图。4.根据权利要求1所述的手势识别方法，其特征在于，所述第二卷积层至少包括：第一子卷积层与第二子卷积层；所述调用所述第二卷积层中包含的多个子卷积层依次对所述多个第一特征图进行卷积，直至得到多个第二特征图，包括：调用所述第一子卷积层，基于第一卷积核对所述多个第一特征图进行卷积，得到多个第二子特征图；调用所述第二子卷积层，基于第二卷积核对所述多个第二子特征图进行卷积，得到多个第二特征图；其中，所述第一卷积核与所述第二卷积核的大小根据所述第一特征图、所述第二子特征图与所述第二特征图的大小确定。5.根据权利要求4所述的手势识别方法，其特征在于，所述第一卷积核与所述第二卷积核的大小满足如下关系：W1‑
...

【专利技术属性】
技术研发人员：江涛，
申请(专利权)人：广州博冠信息科技有限公司，
类型：发明
国别省市：