【技术实现步骤摘要】
本申请涉及手势识别的，尤其涉及一种模型的训练方法、手势识别方法、电子设备和存储介质。
技术介绍
1、目前，手势识别技术已经广泛被应用到人机交互、手语识别等领域。电子设备对拍摄到的手势进行识别，从而实现预先设置的相应的功能，或解析手势含义。现有的基于神经网络或机器学习方法的手势识别，通常需要大量的手势图片进行训练，此外，不同人的不同的手形、同一手势不同的拍摄角度也会影响手势识别的准确率。
技术实现思路
1、为了解决上述问题，本申请提供了一种模型的训练方法、手势识别方法、电子设备和存储介质。
2、为解决上述技术问题，本申请提供了第一种技术方案，提供一种手势识别模型的训练方法，所述训练方法包括：采集多个类别的动态手势的视频数据，得到训练样本集；通过预设的神经网络模型对所述训练样本集进行特征提取，分别得到多个类别的所述动态手势的骨节点数据；通过转换算法将所述骨节点数据转换为骨骼数据；基于多个类别的所述动态手势以及对应的所述骨骼数据，对所述手势识别模型进行多次训练，得到所述手势识别模型的准确率；响应于所述手势识别模型的准确率达到预设值，完成对所述手势识别模型的训练。
3、其中，所述基于多个类别的所述动态手势以及对应的所述骨骼数据，对所述手势识别模型进行多次训练的步骤包括：设置所述手势识别模型的多个模型参数；将多个类别的所述动态手势以及对应的所述骨骼数据输入设置后的所述手势识别模型；基于多个所述模型参数、多个类别的所述动态手势以及对应的所述骨骼数据，对所述手势识别模型进
4、其中，在所述基于多个类别的所述动态手势以及对应的所述骨骼数据，对所述手势识别模型进行多次训练的步骤之后，所述训练方法还包括：基于多个类别的所述动态手势的骨骼数据，对所述手势识别模型进行测试；所述基于多个类别的所述动态手势的骨骼数据，对所述手势识别模型进行测试的步骤包括：基于多个类别的所述动态手势的骨骼数据，得到每个类别的所述动态手势的二维图像；将所述二维图像输入所述手势识别模型，得到所述动态手势分别在每一类别的预测概率和测试准确率。
5、其中，所述手势识别模型包括输入层、网络层和输出层，所述设置所述手势识别模型的多个模型参数的步骤包括：设置所述输入层的宽度、高度和深度；所述网络层包括至少一个全连接层，设置所述全连接层的连接类型、神经元个数和激活函数；设置所述输出层的输出个数，所述输出个数与所述动态手势的类别个数相等。
6、其中，所述采集多个类别的动态手势的视频数据，得到训练样本集的步骤包括：在预设时间内采集多个类别的动态手势的视频数据；基于预设的时间间隔对所述视频数据进行采样，得到每个类别的所述动态手势的数据集；基于多个类别的所述动态手势的数据集，得到所述训练样本集。
7、为解决上述技术问题，本申请提供的另一种技术方案是：提供一种手势识别方法，所述手势识别方法包括：采集动态手势的视频数据；基于所述动态手势的视频数据，得到所述动态手势的骨骼数据；将所述动态手势的骨骼数据输入所述手势识别模型，得到所述动态手势的类别；其中，所述手势识别模型通过上述的手势识别模型的训练方法训练得到。
8、其中，所述将所述动态手势的骨骼数据输入所述手势识别模型，得到所述动态手势的类别的步骤包括：将所述动态手势的骨骼数据输入所述手势识别模型，得到所述动态手势分别在每一类别的预测概率；选取预测概率最高的动态手势类别作为所述动态手势的类别结果。
9、其中，所述将所述动态手势的骨骼数据输入所述手势识别模型，得到所述动态手势分别在每一类别的预测概率的步骤包括：将所述动态手势的骨骼数据输入所述手势识别模型，得到所述动态手势的二维图像；进一步地，将所述动态手势的二维图像输入所述手势识别模型，得到所述动态手势分别在每一类别的预测概率。
10、为解决上述技术问题，本申请提供的另一种技术方案是：提供一种电子设备，所述电子设备包括处理器以及与所述处理器连接的存储器，其中，所述存储器中存储有程序数据和预设的语法规则，所述处理器调取所述存储器存储的所述程序数据，以执行如上所述的手势识别模型的训练方法或如上所述的手势识别方法。
11、为解决上述技术问题，本申请提供的另一种技术方案是：提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序在被处理器执行时用于实现如上所述的手势识别模型的训练方法或如上所述的手势识别方法。
12、本申请提供了一种模型的训练方法、手势识别方法、电子设备和存储介质，训练方法包括：采集多个类别的动态手势的视频数据，得到训练样本集；通过预设的神经网络模型对训练样本集进行特征提取，分别得到多个类别的动态手势的骨节点数据；通过转换算法将骨节点数据转换为骨骼数据；基于多个类别的动态手势以及对应的骨骼数据，对手势识别模型进行多次训练，得到手势识别模型的准确率；响应于手势识别模型的准确率达到预设值，完成对手势识别模型的训练。基于上述方式，通过将不同手势的视频数据转换为骨骼数据，并基于手势的骨骼数据训练手势识别模型，可以减小手形对手势识别的影响，此外，由于采集手势动态的视频数据，可以减少手势的拍摄角度对手势识别的影响，提高手势识别模型识别不同手势的准确率。
本文档来自技高网...【技术保护点】
1.一种手势识别模型的训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的训练方法，其特征在于，所述基于多个类别的所述动态手势以及对应的所述骨骼数据，对所述手势识别模型进行多次训练的步骤包括：
3.根据权利要求2所述的训练方法，其特征在于，在所述基于多个类别的所述动态手势以及对应的所述骨骼数据，对所述手势识别模型进行多次训练的步骤之后，所述训练方法还包括：
4.根据权利要求2所述的训练方法，其特征在于，所述手势识别模型包括输入层、网络层和输出层，所述设置所述手势识别模型的多个模型参数的步骤包括：
5.根据权利要求1-4任一项所述的训练方法，其特征在于，所述采集多个类别的动态手势的视频数据，得到训练样本集的步骤包括：
6.一种手势识别方法，其特征在于，所述手势识别方法包括：
7.根据权利要求6所述的手势识别方法，其特征在于，所述将所述动态手势的骨骼数据输入所述手势识别模型，得到所述动态手势的类别的步骤包括：
8.根据权利要求7所述的手势识别方法，其特征在于，所述将所述动态手势的骨骼数据
9.一种电子设备，其特征在于，所述电子设备包括处理器以及与所述处理器连接的存储器，其中，所述存储器中存储有程序数据和预设的语法规则，所述处理器调取所述存储器存储的所述程序数据，以执行如权利要求1-5任一项所述的手势识别模型的训练方法或如权利要求6-8任一项所述的手势识别方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序在被处理器执行时用于实现如权利要求1-5任一项所述的手势识别模型的训练方法或如权利要求6-8任一项所述的手势识别方法。
...【技术特征摘要】
1.一种手势识别模型的训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的训练方法，其特征在于，所述基于多个类别的所述动态手势以及对应的所述骨骼数据，对所述手势识别模型进行多次训练的步骤包括：
3.根据权利要求2所述的训练方法，其特征在于，在所述基于多个类别的所述动态手势以及对应的所述骨骼数据，对所述手势识别模型进行多次训练的步骤之后，所述训练方法还包括：
4.根据权利要求2所述的训练方法，其特征在于，所述手势识别模型包括输入层、网络层和输出层，所述设置所述手势识别模型的多个模型参数的步骤包括：
5.根据权利要求1-4任一项所述的训练方法，其特征在于，所述采集多个类别的动态手势的视频数据，得到训练样本集的步骤包括：
6.一种手势识别方法，其特征在于，所述手势识别方法包括：
7.根据权利要求...
【专利技术属性】
技术研发人员：李西峙，
申请(专利权)人：深圳市大富网络技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。