CN119445676A 基于深度学习的手势识别方法及系统 （江西财经大学）

本发明公开了基于深度学习的手势识别方道注意力机制自动聚焦手势区域，抑制背景干征的辨识能力，进而提高最终手势识别的准确2步骤S4：手势识别；基于建立完成的手势识别模型；引入上下文增强特征，表示激活函数；通过多尺度感受野提取手势的全局特征，引入动态权重，表示为：；其中，是通过Softmax计算的动态权;3示为：DAU(M)=conv(concat(SAMXM,,CAMXM1))+M；根据分辨率手势特征的显著;CFFB=P3xconv(P)+P；其中，P和PZ是上一层的特征图；P3是逐层融合后的注意力权N=ILF(CAM(conv(concat(linpur,output1))))；其中，N是局部特征提取的初始局部特征LDRB(N,)=x+sigmoid(conv(N1+conv(x)))xconv(x)；其中，N1和N9是N在局部细节增强子网络中生成的特征图；LDRB(·)是局部细节增强块；得到细节增强后的手势图像l述损失函数设计是构建重建损失Lrs，用L1损失约束增强结果与正常表示为：Lrs=Iloutpur-Inorll,+a-Ilc(loutpu)-c(Inor)l；其中，lnor是参考手势图像；4Lssim=1-SSIM(loutpur,Inor)+yllT(loutpu)-T(Ino步骤S32：手势特征降维；引入注意力感知的特征选择模块移除冗余信息，表示为：R2是总类别；7.基于深度学习的手势识别系统，用于实现如权利要求1_6中任一项所述的基于深度所述手势图像采集模块采集历史手势识别图像数据，并将数据发送至手所述手势图像优化模块通过多尺度卷积、角度适配卷积、注意力机5所述手势识别模型建立模块利用提取的优化手势图像特征，结合样所述手势识别模块基于建立完成的手势识别模型对实时采集的手势图像实现手势类6PReLU激活函数；通过多尺度感受野提取手势的全局特征，引入动态权重，表示为：7；其中，是通过Softmax计算的动态权示为：DAU(M)=conv(concat(SAMXM,,CAMXM1))+M；根据分辨率手势特征的显著;CFFB=P3xconv(P)+P；其中，P和PZ是上一层的特征图；P3是逐层融合后的注意力权N=ILF(CAM(conv(concat(linpur,output1))))；其中，N是局部特征提取的初始局部特征LDRB(N,)=x+sigmoid(conv(N1+conv(x)))xconv(x)；其中，N1和N9是N在局部细节增强子网络中生成的特征图；LDRB(·)是局部细节增强块；得到细节增强后的手势图像lll,+q-Ilc(Ioutpu)-c(lnor),；其中，Inor是参8Lssim=1-SSIM(loupur,Inor)+yllT(loutpu)-T(Inor)l,；其中，T(·)是纹理提取操作；γ；引入上下文增强特征，表示9R2是总类别；[0025]所述手势识别模块基于建立完成的手势识别模型对实时采集的手势图像实现手描述本发明和简化描述，而不是指示或暗示所指的系统或元件必须具有特定的方位、以特入动态权重，表示为其中，是通过;示为：DAU(M)=conv(concat(SAMXM,,CAMXM1))+M；根据分辨率手势特征的显著;CFFB=P3xconv(P)+P；其中，P和PZ是上一层的特征图；P3是逐层融合后的注意力权LDRB(N,)=x+sigmoid(conv(N1+conv(x)))xconv(x)；其中，N1和N9是N在局部细节增强子网络中生成的特征图；LDRB(·)是局部细节增强块；得到细节增强后的手势图像lll,+q-Ilc(Ioutpu)-c(lnor),；其中，Inor是参Lssim=1-SSIM(loupur,Inor)+yllT(loutpu)-T(Inor)l,；其中，T(·)是纹理提取操作；γ；引入上下文增强特征，表示多样化的手势，表示为其中，R2是总类别；[0052]通过执行上述操作，针对一般手势识别方法存在多变背景下的手势识别效果差、[0058]所述手势识别模块基于建立