融合YOLO v3与改进ReXNet的手势识别方法研究
Computer Measurement & Control（2023）
摘要
工程应用中的手势识别需要较高的实时性和准确性,而现场环境通常无法提供足够的计算能力,采用轻量化神经网络在解决了上述问题的同时,还能达到与深度神经网络相当的识别效果;为此,提出一种基于改进轻量化神经网络的手势识别方法;该方法改进用于手部关键点检测的ReXNet网络结构,以改善骨骼点的局部关注;同时将关键点检测损失函数MSE替换为Huber loss,以提升离群点的抗干扰性;实验环境搭建基于普通单目镜头捕获图像后,经YOLO v3手部识别模型和改进的ReX-Net 关键点检测模型,并根据约束手部骨骼关键点的向量角而定义的不同手势,最后达到实时检测的效果;改进模型在RWTH公开数据集上的测试结果表明,改进后的手势识别方法的检测准确度较改进前整体提升2.62％,达到了 96.18％,且收敛速度更快.
更多关键词
gesture recognition,key point detection,YOLO v3,ReXNet,Ghost Module
AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要