基于加速度的BP神经网络手势识别设计.docVIP

基于加速度的BP神经网络手势识别设计 　　摘 要随着MEMS技术的发展，基于加速度传感器的手势识别成为了研究主流。本文采用BP神经网络模型作为基于加速度的手势识别方法，同时对提出的手势识别方法进行实验验证，并分析结果，得出此方法对0-9十个阿拉伯数字的识别能力较高，证明了BP神经网络非常适合在可穿戴设备中的应用 【关键词】BP神经网络 加速度传感器 手势识别 手势识别的研究是一个非常有意义的课题，从识别方法上看，目前主要采用的是隐马尔可夫模型（HMM）、支持向量机（SVM）、分类决策树以及人工神经网络（ANN）等。在多种识别方法中，HMM方法的识别率较高，但计算时间复杂度较高，SVM需要的存储空间较大，而决策树仅仅对简单手势有较好的识别率，对于复杂手势则识别率较低。综上，本文根据佩戴式数据手套的实时性要求高，计算时间、空间复杂度低的特点，采用BP神经网络模型进行手语识别 1 基于加速度的BP神经网络手势识别设计 1.1 手势动作的加速度数据 通过可穿戴的手势加速度数据手套，采集得到手势数据。并通过挑点去除和均值滤波对手势数据进行预处理。然后用紧邻极值法提取手势动作的加速度特征值，形成一个手势动作的特征值样本集 1.2 BP神经网络的设计 根据BP神经网络算法的特点，主要有以下几个方面的设定 1.2.1 训练样本数量的选择 训练所采用的样本数量的多少，会对手势识别的准确度有较大的影响，训练所采用的样本数量越多，在训练后，最终手势的识别效果越好。但是，在解决实际问题时，不可能无限制的进行样本识别，需要一种规则来选择合适的样本数量进行训练，一般情况下，训练样本数量P可由（1）式来进行计算 （1） 其中，mε为网络中权值数量加上阈值数量，ε为给定的训练误差 根据经验，训练样本的数量一般为mε的5到10倍，另外，还需要对样本进行筛选，选择具有代表性的样本进行训练。在样本训练的过程中，将不同类别混合，随机选择加入，以使BP神经网络能够适应各种不同的情况 1.2.2 BP神经网络的结构设计 在设计BP神经网络的过程中，需要确定隐含层数量、输入层与输出层节点的数量、隐含层节点的数量 BP神经网络中，当具备S型隐层，权值矩阵再加上阈值，理论上可以用来大致表示所有的线性非线性函数。虽然层数的增加可以提高精度，但会大大增加神经网络的复杂度。考虑到可穿戴设备中的计算能力低，存储空间小，故而选择一层网络 一般情况下，输入层的节点数量由实际的样本向量的维数决定；输出层的节点数量为需要辨别的手势数量加一 对于隐层节点数量的选择，一般情况下，可由（2）式得到大致的节点数 （2） 其中，m为隐含层节点数，n为输入层节点数，l为输出层节点数 1.2.3 初始权值的选择 对于初始权值，一般情况下选择较小的数，可以使每个神经元的输入小，可以避免多次训练后某些权值的不合理性。本文选取0到2之间的随机数 1.2.4 学习率的选择 初次训练一般情况下在0.01到1之间选择学习率，然后依据学习率不断调整权值向量，最终获取比较好的权值组合，使得实际输入与期望输入之间的误差小于一定的范围 1.3 利用BP神经网络的手势识别过程 BP神经网络的手势识别主要分为学习训练与手势识别，其过程如图1所示 2 实验验证过程及结果分析 在本实验中，主要针对BP神经网络的实现过程做重点介绍，同时根据输出结果，分析BP神经网络的识别效果 2.1 实验验证过程 本实验随机选择了20位实验者，使其按照预先设定的手势的起始与终止动作，执行十个阿拉伯数字的动作，每人重复10次，总共得到2000组手势动作样本。其中，任意选择其中的一半作为BP神经网络训练样本，剩余部分则用来进行各种手势的识别。训练时，所有样本打乱顺序，然后依次按照顺序输入 由于需要识别0-9这十个阿拉伯数字，所以总共需要10个输出节点，激活函数采用sigmoid.而一般手语的特征点不超过16个，为了增加BP神经网络的接收能力，将输入节点设为20个。隐含层节点数设为12，训练终止误差设为0.01，学习效率设为0.1。识别效果见表1 2.2 实验结果分析 在数据训练识别中，由于数字9和数字0的识别中，由于数字0的手势识五个手指全部握住，而在数字求的识别中，手语动作识食指只是一个弧度，没有彻底握住，导致了数字9和数字0的识别率较低。这一问题有待于以后的提高 参考文献 [1]孔俊其.基于三维加速度传感器的手势识别及交互模型研究[J].传感技术学报，2009. [2]李歌.基于BP神经网络的手势识别研究[D].秦皇岛：燕山大学，2013. [3]徐川龙.基于三维加速度传感器