基于图像处理的音乐播放器控制手势识别系统

论文总字数：24939字

摘 要

2005，密歇根有297023宗交通意外，其中一个主要原因是分心驾驶。分心驾驶严重影响着交通安全。精神应该高度集中的的司机在行驶中使用汽车音响或者手机设备听歌曲时，需要把他们的头转向按钮，当他们不能专注于当时的道路情况，事故就可能发生。

为了减少这些问题，我们要做的是设计一个手势识别系统来控制音乐播放器的五种控制功能开始／停止、音量加、音量减、上一首、下一首，让驾驶员专注于驾驶。本文选择剑桥手势数据库的相关数据作为运动类型识别的原始数据，提出人工提取特征和利用深度学习特征自提取两种方案并作出比较。

方案一中采用人工提取特征，计算得识别率为88.1%；方案二中采用卷积神经网络和递归神经网络并且获得了99.26%的准确率。

关键词：模式识别，深度学习，手势识别

Abstract

In 2005, there are 297023 traffic accidents in Michigan, one of the mean reasons is distracted driving. Distracted driving seriously threaten traffic safety. When drivers listen to songs, they need to turn their head and find which is the next button. Accidents can happen when they cannot focus on the road conditions at the time.

To reduce these problems, what we have to do is to design a gesture recognition system to recognize 5 gesture to control the music player: start / stop, volume up, volume down, previous song and next song so that the driver can concentrate on driving. In this paper, Cambridge gesture database is chosen as the original input data for action type identification. Two schemes are proposed and compared. In the first schema, features are artificially selected and in the second schema, deep learning method is employed.

The accuracy rate for the first schema is 88.1%. In the second scheme, convolutional neural networks and recurrent neural network are employed and achieve a accuracy rate of 99.26%.

KEY WORDS: pattern recognition, deep learning, gesture recognition

目 录

摘要 ……………………………………………………………………………………………………I

Abstract ………………………………………………………………………………………………Ⅱ

1. 绪论 ………………………………………………………………………………………1

1.1 引言 ………………………………………………………………………………………1

1.2 模式识别和深度学习 …………………………………………………………………1

1.3 手势识别 …………………………………………………………………………………4

1.3.1手势识别研究现状 ……………………………………………………………4

1.3.2手势识别面临的难点 ………………………………………………………6

1.4本论文的研究内容 ………………………………………………………………………7

1. 手势的人工特征提取技术 ………………………………………………………………8

2.1手势特征提取技术 …………………………………………………………………8

2.1.1手部检测 ………………………………………………………………………8

2.1.2特征选取 ………………………………………………………………………8

2.2 基于肤色法 ……………………………………………………………………………9

2.3 YCbCr空间中的肤色检测 ……………………………………………………………9

1. 人工神经网络 ……………………………………………………………………………11

3.1 BP神经网络 ……………………………………………………………………………11

3.2卷积神经网络 ……………………………………………………………………………12

3.3递归神经网络 ……………………………………………………………………………15

1. 手势识别系统设计 ………………………………………………………………………18

4.1手势识别系统要求 ………………………………………………………………………18

4.2 手势数据库简介 ………………………………………………………………………18

4.3方案一：通过人工提取特征的手势识别系统设计 ………………………………………19

4.3.1 识别策略 ………………………………………………………………………19

4.3.2手部检测 ………………………………………………………………………19

4.3.3 特征提取 ………………………………………………………………………20

4.3.4特征分类 ……………………………………………………………………22

4.4 方案二：通过深度学习特征自提取的手势识别系统设计 …………………………23

4.4.1数据预处理 ………………………………………………………………23

4.4.2网络模型 ……………………………………………………………………23

4.4.3网络技巧 ……………………………………………………………………24

1. 样本测试结果 …………………………………………………………………………26

5.1 人工特征提取实验结果 …………………………………………………………26

5.2深度学习特征自提取实验结果 ……………………………………………………27

5.3两种方案的结果分析 ………………………………………………………………28

5.4存在的不足 …………………………………………………………………………28

1. 总结与展望 …………………………………………………………………………30

…………………

致谢 ………………………………………………………………………………………………31

参考文献（References） …………………………………………………………………………32

第一章 绪论

• 1. 引言

在曾经为了控制仪器面板在指定的操作空间创建手势识别一直被视为最好的一种不必要的奢侈，但在今天，当典型的仪表板有丰富多样控制功能的选项和设置菜单，开发一种基于手势的音乐控制系统的控制变成了一个值得我们关注且关乎交通安全的问题。

剩余内容已隐藏，请支付后下载全文，论文总字数：24939字