【卷积神经网络与手势识别探究的国内外文献综述3600字】

1卷积神经网络与手势识别研究的国内外文献综述神经网络我们能够深层学习并且分析得到一种能够刻画海量数据的某种本质属了基于受限制的玻尔兹曼通用电子技术公司网络构建的一种更为深度化的信念处理网络PMM。ImageNet的诞生为深度学习中大数据的分析提供了很大的帮助，像理解领域的发展奠定了重要的基础。卷积神经网络属于深度学习的重要子分技术得到了广泛的研究，并且被运用在多个场合领域中。Huang等人通过手势和上半身特征进行了分别提取，数据结果表明具有出色的效果3。到了上个世纪八十年代，Fukushima在它的基础上通过深入的研究，提出了神经2根据Hebb学习规则，一个特征可以被检测出来的概率和检测的次数通常与度。在CNN诞生之初，它只在一些简单的应用上取得了一些成果，针对大尺寸直到2012年10月，Hinton教授等人将更深一层次的神经网络模型应用到了著名的ImageNet问题上从而有了优良的性能，使得卷积神经网合卷积神经网络的方法使得自动分类的准确率达到了99.56%,这要远高于之前2手势识别研究现状3手势的一些信息。该方法可以实现对简单手势的识别，所以Grimes被认为是手势识别的发明者。上世纪九十年代处，富士通实验室实现了对多个不同的手语符号的识别；同Glove上面安装了多种传感器，而且测量的精度和稳定性都很高。并且后续的的该系列产品系列产品已经广泛应用普及到了多个行业领域。1994年，J.Davis和M.Shah利用据手套上的手势信息作为系统的输入，经过计算机处理以后可以实现对不同手势的有效识别。同时，Freeman等人在方向直方图模型的基础上提出了一种新型的手势识别系统。上个世纪九十年代中期，MIT的Starner实验室首先利用隐马尔可夫模型对手语符号进行了一系列的研究，它的特征选择包括手的坐标、转动惯量等参数。随后，Starner又还通过前期的手势识别完成了更多的语句识别。上个世纪九十年代中期，Kjeldsen等人利用HMM和FNN两类模型的优秀性能，实现了通过手势识别以后代替鼠标移动等简单功能。1997年，K.Grobel等人从一个个视频演示片段实现了对手势特征的提取，它通过HMM技术完成了数百个孤立单词的识别，识别的正确率更是达到了百分之九十多。同时，Vogler、Metaxas把数据头套和视频提取的方法融合到一起对手势进行识别，实现了对五十多个孤立词的有效识别，识别的正确率同样也达到了百分之九十多。Bobiek、Wilson提出了能够通过状态来实现对手势的识别方法，在4该方法中，它将手势的不同暂态作为一个状态，随后利用状态序列来实现对手势运动的有效描述，最后再完成相应的手势识别。除此之外，国内清华大学的任海兵等人提出了一种基于表观的动态孤立手势识别技术，通过建立有关手势的视觉信息模型，对复杂的手势运动进行分类，并切科学合理的选择相应的参数，随后通过DTW方法实现了对多种手势的有效识别，识别的正确率更是超过了百分之九十多。2003年邹伟等研究人员又在双信息源基础上提出了一类新的人手空间定位方法，通过视觉设备采集相应的信息后输入到系统内，而且在这个过程中通过传感器实时的采集各类信息，随后利用模糊计算方法来确定手的深度信息。自进入新世纪以来，随着市场需求的不断扩大，手势识别技术的应用领域不断扩大。微软公司首先推出了XBOX360体感周边外设Kinect,它属于3D体感摄影机，通过这个摄影机能够有效的捕捉许多图像信息，而且系统的控制非常便捷。因此它的诞生对于人机交互的体验是一个重要的阶段。国内方面，腾讯对外公布了“QQ手势达人”,通过手势识别和控制可以实现对办公文件的一些简单操作控制；随后国内的电视机厂商也分别推出了众多的包含手势控制功能的电视机系统[71。迄今为止，手势辨认技术已经在科学家和研究人员的努力下已经做出了不错的发展。然而在目前的情况下，不管是基于数据的手套或者是基于电脑和视觉的智能识别系统，都面临着许多困难。同时我们可以清楚地看到，手势辨认仍然呈现出一个广泛美好的发展和应用前景。5[11]王科欣.改进的Adaboost集成神经网络技术在财务预警模型中的应用[D].暨南大学，201[12]高龙.循环流化床锅炉燃烧系统模糊神经网络与自适应模糊控制研究[D].燕山大学，201[13]贾晓栋.基于深度学习的手写彝文识别技术应用研究[D].中央民族大学，2017.[14]任洪梅.基于车载摄像头的路面交通标志识