计算机工程

作者：张强, 张勇, 刘芝国, 周文军, 刘佳慧

单位：合肥工业大学 计算机与信息学院, 合肥 230601

关键词：手势识别,YOLOv3模型,Kinect设备,聚类算法,迁移学习

基金：国家自然科学基金（61801162）；国家大学生创新训练项目（201710359020）。

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12 h，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。

来源：2020年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2020年第3期