粒子群优化神经网络在动态手势识别中的应用74

J4 ›› 2011, Vol. 33 ›› Issue (5): 74-79.

粒子群优化神经网络在动态手势识别中的应用74

李文生，姚琼，邓春健

（电子科技大学中山学院计算机工程系，广东中山 528402）

收稿日期:2010-11-20 修回日期:2011-02-18 出版日期:2011-05-25 发布日期:2011-05-25
作者简介:李文生(1966),男,湖南郴州人，硕士，副教授,研究方向为数字信号处理。姚琼(1977),女,江西南昌人，硕士,讲师,研究方向为数字图像处理和模式识别。邓春健(1980),男,广东韶关人，博士,副教授，研究方向为信息显示技术和通信技术。
基金资助:
广东省自然科学基金资助项目（8152840301000009）；广东省科技计划资助项目（2009B030803031）

Application of the BP Neural Network Based on PSO in Dynamic Gesture Recognition

LI Wensheng,YAO Qiong,DENG Chunjian

(Department of Computer Engineering,Zhongshan Institute,University of
Electronic Science and Technology of China,Zhongshan 528402,China)

Received:2010-11-20 Revised:2011-02-18 Online:2011-05-25 Published:2011-05-25

摘要/Abstract

摘要：

为了提高动态手势学习训练速度和识别准确率，本文提出一种基于粒子群优化BP神经网络的动态手势识别方法。首先基于自然人机交互需要，定义一套基于机器视觉的动态手势模型；在获取指尖运动轨迹的基础上，提取动态手势的特征向量作为神经网络的输入；利用改进的PSO算法训练BP神经网络，得到神经网络的权值和阈值；最后利用训练过的神经网络识别基于机器视觉的动态手势。测试结果表明：改进的PSO算法能够提高神经网络训练速度和精度，进而提高动态手势识别准确率。

关键词: 机器视觉, BP神经网络, 动态手势识别, 粒子群

Abstract:

In order to improve the training speed and identification accuracy of dynamic gesture, a method of gesture recognition based on the particle swarm optimization(PSO) BP neural network is put forward. First, a set of dynamic gestures is defined for HumanMachine Interaction (HMI). The engenvectors vectors of dynamic gestures are extracted as the input of the BP neural network on the basis of obtaining the trajectories of moving fingertips. An improved PSO algorithm is used to train the BP neural network and get the weights/thresholds of the network. Finally, the gestures based on machine vision are recognized through the trained BP neural network. The experimental results show that the proposed PSO algorithm can enhance the speed and precision of network training, and improve the accuracy of dynamic gesture recognition.

Key words: machine vision;BP neural network;dynamic gesture recognition;particle swarm optimization

李文生，姚琼，邓春健. 粒子群优化神经网络在动态手势识别中的应用74[J]. J4, 2011, 33(5): 74-79.

LI Wensheng,YAO Qiong,DENG Chunjian. Application of the BP Neural Network Based on PSO in Dynamic Gesture Recognition[J]. J4, 2011, 33(5): 74-79.

[1]	刘振超, 苑迎春, 王克俭, 何晨. 融合特征权重与改进粒子群优化的特征选择算法[J]. 计算机工程与科学, 2024, 46(02): 282-291.
[2]	许文俊, 王锡淮. 基于变尺度黑洞和种群迁徙的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(11): 2036-2046.
[3]	张文宁, 周清雷, 焦重阳, 梅亮. 融入重心反向学习和单纯形搜索的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(09): 1629-1638.
[4]	胡宗承, 段晓威, 周亚同, 何昊. 基于多模态融合的动态手势识别研究[J]. 计算机工程与科学, 2023, 45(04): 665-673.
[5]	彭坤彦, 尹翔, 刘笑竹, 李恒宇. 基于粒子群优化和深度强化学习的策略搜索方法[J]. 计算机工程与科学, 2023, 45(04): 718-725.
[6]	王林, 王燕丽, 安泽远. 改进粒子群算法优化回声状态网络的电力需求预测研究[J]. 计算机工程与科学, 2022, 44(08): 1457-1466.
[7]	申晓宁, 潘红丽, 陈庆洲, 游璇, 黄遥. 引入启发信息的粒子群算法在低碳TSP中的应用[J]. 计算机工程与科学, 2022, 44(06): 1114-1125.
[8]	张晶, 魏淼, . 基于Delaunay三角划分策略的WSN区域覆盖优化研究[J]. 计算机工程与科学, 2021, 43(11): 1944-1951.
[9]	胡新荣, 刘嘉文, 刘军平, 彭涛, 何儒汉, . 基于改进GA-BP-MC神经网络的人体三维尺寸预测[J]. 计算机工程与科学, 2021, 43(08): 1443-1453.
[10]	邓翔宇, 张屹南, 杨雅涵. 一种用于交通标识分类的形状识别算法[J]. 计算机工程与科学, 2021, 43(02): 322-328.
[11]	王翼虎, 王思明. 基于改进粒子群算法的无人机路径规划[J]. 计算机工程与科学, 2020, 42(09): 1690-1696.
[12]	高海军, 潘大志. 星型结构的多目标粒子群算法求解多模态多目标问题[J]. 计算机工程与科学, 2020, 42(08): 1472-1481.
[13]	沈晓燕, 王雪梅, 王燕. 基于样本熵和模式识别的脑电信号识别算法研究[J]. 计算机工程与科学, 2020, 42(08): 1482-1488.
[14]	王永琦, 江潇潇. 基于混合灰狼算法的机器人路径规划[J]. 计算机工程与科学, 2020, 42(07): 1294-1301.
[15]	闫盼盼，俞海珍，史旭华，万凯. 基于Pareto支配的MPRM电路面积与功耗优化[J]. 计算机工程与科学, 2020, 42(04): 596-602.