劉妙閣

摘要：隨著嵌入式設(shè)備智能化水平不斷提高，人和設(shè)備交互方式也多樣化，手勢(shì)就是其中一種新的更自然的人和設(shè)備交互方式。實(shí)現(xiàn)有效的手勢(shì)識(shí)別系統(tǒng)具有實(shí)際意義。分類算法的選擇對(duì)手勢(shì)識(shí)別性能有重要影響，本文選擇改進(jìn)SVM算法作為識(shí)別算法。SVM算法相比神經(jīng)網(wǎng)絡(luò)算法具有更好的泛化性能。但原始SVM算法直接作為手勢(shì)的分類算法還是無(wú)法滿足應(yīng)用需求，所以本文提出了改進(jìn)SVM算法。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證了改進(jìn)算法比原算法有更快的訓(xùn)練、識(shí)別速度。

關(guān)鍵詞：手勢(shì)識(shí)別 支持向量機(jī) 嵌入式系統(tǒng)

中圖分類號(hào)：TN912 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）05-0000-00

手勢(shì)識(shí)別的分類器選擇對(duì)識(shí)別性能有較大影響，選擇好的分類器才能達(dá)到較好的識(shí)別準(zhǔn)確率。SVM算法（SVM，Support Vector Machine）是基于統(tǒng)計(jì)學(xué)習(xí)理論的分類算法[1]，SVM相對(duì)較早的神經(jīng)網(wǎng)絡(luò)等分類算法有更好的泛化性能，本論文選擇它作為分類算法。SVM算法一般運(yùn)行在PC機(jī)或服務(wù)器，將整個(gè)SVM算法在嵌入式平臺(tái)實(shí)現(xiàn)有很多問(wèn)題要解決。本文針對(duì)手勢(shì)識(shí)別應(yīng)用，改進(jìn)SVM算法，然后將算法以C++庫(kù)的形式提供給手勢(shì)識(shí)別應(yīng)用程序。

1 系統(tǒng)設(shè)計(jì)

本文實(shí)驗(yàn)使用的嵌入式平臺(tái)是飛凌的OK6410開(kāi)發(fā)板，處理器采用的是SAMSUNG公司的基于ARM11的S3C6410芯片，采用USB攝像頭ZC301采集視頻圖像。SVM算法是智能算法，與模板匹配等分類算法相比有自身獨(dú)有的學(xué)習(xí)能力。為了縮短識(shí)別時(shí)間，提高實(shí)時(shí)性，本文手勢(shì)識(shí)別的過(guò)程在使用簡(jiǎn)單的膚色模型分割出膚色區(qū)域后直接提取特征訓(xùn)練SVM分類器，省去了預(yù)處理等步驟。

2 改進(jìn)SVM手勢(shì)識(shí)別算法

2.1樣本子集篩選

SVM算法適用于小規(guī)模訓(xùn)練樣本集，較大的樣本集會(huì)降低運(yùn)算速度，占用較大內(nèi)存空間。SVM模型訓(xùn)練時(shí)所需存儲(chǔ)空間與訓(xùn)練樣本數(shù)的平方成正比，時(shí)間復(fù)雜度與訓(xùn)練樣本數(shù)的立方成正比[2]。

為獲得分類模型，不總是需要提供完整的訓(xùn)練集，因?yàn)橛?xùn)練集中有噪聲樣本和不影響分類模型的樣本，尤其當(dāng)使用SVM作為分類器時(shí)。SVM算法尋求最大間隔超平面將兩類樣本分開(kāi)，訓(xùn)練得到的模型只需要少部分樣本（支持向量）信息，這些樣本分布在特征空間中同類樣本集合的邊緣，去掉位于其它位置的樣本得到的模型是一樣的?；谶@一點(diǎn)，本文首先對(duì)正負(fù)樣本分別進(jìn)行聚類，得到若干集合，然后去掉集合內(nèi)部的樣本，保留集合邊緣附近的樣本構(gòu)成訓(xùn)練樣本子集。首先對(duì)正負(fù)樣本分別進(jìn)行聚類，得到若干集合。 K均值聚類等劃分類型的聚類算法都存在一個(gè)問(wèn)題，就是k值的選取需要花費(fèi)時(shí)間。為了減少訓(xùn)練時(shí)間，本文采用無(wú)需選取參數(shù)的層次聚類，聚類完成后去除每個(gè)集合內(nèi)部樣本。

2.2 SVM核函數(shù)選擇

SVM核函數(shù)的選擇對(duì)于算法的性能有較大影響[3]，目前核函數(shù)的選擇還沒(méi)有很強(qiáng)的規(guī)律可循，可以通過(guò)對(duì)比不同核函數(shù)的SVM分類各方面性能（如錯(cuò)誤率和支持向量個(gè)數(shù)）來(lái)選擇最適用的核函數(shù)。常用的核函數(shù)有多項(xiàng)式核函數(shù)、徑向基核函數(shù)、sigmoid核函數(shù)。

近些年也有較多新的核函數(shù)被提出像切比雪夫核函數(shù)，小波核函數(shù)等新的核函數(shù)。切比雪夫核是用于標(biāo)量值的標(biāo)準(zhǔn)核。一種構(gòu)成新核函數(shù)的方法是混合現(xiàn)有的核函數(shù)，但是需要注意不能增加過(guò)多參數(shù)，否則會(huì)降低訓(xùn)練速度。徑向基核函數(shù)的參數(shù)只有一個(gè)，而且經(jīng)對(duì)比它是常用核函數(shù)中應(yīng)用于手勢(shì)識(shí)別性能最好的核函數(shù)。本文將切比雪夫核函數(shù)、小波核函數(shù)和徑向基核函數(shù)結(jié)合，產(chǎn)生新的核函數(shù)，將兩個(gè)核函數(shù)相乘得到的核函數(shù)一般有兩個(gè)核函數(shù)的特性和優(yōu)點(diǎn)，對(duì)比新的混合核函數(shù)和單一核函數(shù)的性能，選取性能最佳的核函數(shù)。

對(duì)比實(shí)驗(yàn)結(jié)果表明徑向基核函數(shù)和切比雪夫核函數(shù)混合成的核函數(shù)有最低錯(cuò)誤率和最少支持向量數(shù)，說(shuō)明它是手勢(shì)識(shí)別應(yīng)用的最適合的核函數(shù)，所以本文選其作為核函數(shù)。

3 實(shí)驗(yàn)結(jié)果及分析

本系統(tǒng)選擇Linux作為嵌入式操作系統(tǒng)，界面設(shè)計(jì)基于當(dāng)前流行的android實(shí)現(xiàn)。由于手勢(shì)識(shí)別算法的運(yùn)算量較大，所以適合用執(zhí)行效率高的C/C++語(yǔ)言而不是JAVA實(shí)現(xiàn)。SVM算法的訓(xùn)練和預(yù)測(cè)均用到了浮點(diǎn)數(shù)，一般嵌入式系統(tǒng)并不支持浮點(diǎn)運(yùn)算。如果在嵌入式系統(tǒng)中采用軟浮點(diǎn)運(yùn)算，運(yùn)算速度會(huì)大大降低，不能滿足實(shí)時(shí)性要求。為加快手勢(shì)識(shí)別算法在嵌入式系統(tǒng)的運(yùn)行速度，本文將浮點(diǎn)運(yùn)算轉(zhuǎn)化為定點(diǎn)運(yùn)算。然后將改進(jìn)SVM的C++算法源程序編譯成.so庫(kù)文件，將生成的.so庫(kù)文件拷貝到工程根目錄 /libs/armeabi/中，android應(yīng)用程序就可以調(diào)用庫(kù)文件中函數(shù)。程序分成手勢(shì)圖像樣本采集，分類模型訓(xùn)練和手勢(shì)識(shí)別三部分。實(shí)驗(yàn)結(jié)果表明系統(tǒng)能較好地識(shí)別出手勢(shì)代表的數(shù)字，光照條件的變化和手的旋轉(zhuǎn)對(duì)手勢(shì)識(shí)別的影響較小。

本文對(duì)比了基于SVM算法和本文提出的改進(jìn)SVM算法兩種分類器的手勢(shì)識(shí)別程序在嵌入式系統(tǒng)中的性能如表1。

從表中可以看出改進(jìn)SVM算法在識(shí)別準(zhǔn)確率，訓(xùn)練時(shí)間和測(cè)試時(shí)間上都比原始SVM算法要好。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出的SVM手勢(shì)識(shí)別算法的可行性。

4 結(jié)語(yǔ)

本文對(duì)SVM算法的改進(jìn)包括：

（1）篩選訓(xùn)練樣本子集，減少訓(xùn)練時(shí)間。

（2）采用切比雪夫-徑向基混合核函數(shù)作為手勢(shì)識(shí)別SVM算法的核函數(shù)。

（3）采用定點(diǎn)運(yùn)算代替浮點(diǎn)運(yùn)算，以較小的代價(jià)換取了更快的運(yùn)算速度。

最后對(duì)比了基于不同分類算法的嵌入式手勢(shì)識(shí)別系統(tǒng)的性能，驗(yàn)證了本文提出的改進(jìn)SVM手勢(shì)識(shí)別算法的可行性。

參考文獻(xiàn)

[1] 李航.統(tǒng)計(jì)學(xué)習(xí)方法[M].北京：清華大學(xué)出版社，2012：95.

[2] Ha M， Wang C， Chen J.The support vector machine based on intuitionistic fuzzy number and kernel function[J].Soft Computing，2013，17（4）：635-641.