摘要: 手势识别是智能人机交互的重要手段之一，嵌入式计算环境下的手势识别具有便携、计算成本低等优点。在应用嵌入式设备进行手势识别时，自然场景中的特殊光线等环境条件会对手势特征提取造成较大影响，一些相似的手势在识别时也容易引起混淆，在考虑到... 展开 手势识别是智能人机交互的重要手段之一，嵌入式计算环境下的手势识别具有便携、计算成本低等优点。在应用嵌入式设备进行手势识别时，自然场景中的特殊光线等环境条件会对手势特征提取造成较大影响，一些相似的手势在识别时也容易引起混淆，在考虑到嵌入式计算环境的基础上，本文针对这个问题展开了研究。 本文提出了一种部署在嵌入式计算环境下的、基于HSV颜色空间补偿的BlazePalm特征提取方法与基于决策树的长短期记忆网络（Decision Tree-Long Short Term Memory，DT-LSTM）手势识别方法。在特征提取过程中，本文通过HSV颜色空间补偿方法的BlazePalm手势特征提取方法，改善了手势特征提取效果。基于DT-LSTM的手势识别方法通过分析提取的手部特征点，进而分析易混淆手势，再通过二次不同策略的剪枝操作分别处理混淆和非混淆特征，之后利用LSTM网络训练若干轻量模型，最后利用决策树思想整合轻量模型形成基于DT-LSTM的手势识别模型。该模型可以应用于手势识别，以解决因手势间部分特征相似而产生的混淆问题。 本文对基于HSV颜色空间补偿的BlazePalm特征提取方法进行了消融实验，实验结果表明本文所提方法比改进之的BlazePalm特征提取方法在复杂背景下提取特征点的准确率高出约15%。本文还对基于DT-LSTM的手势识别方法设计并实现了模型精度、大小、速度对比实验，实验结果表明，在嵌入式计算环境下本文所提方法优于基于RNN、LSTM和GRU网络的手势识别方法。该方法拥有更好的模型精度，较好的模型大小以及在嵌入式计算环境下较好的运行速度。 收起