基于嵌入式系統(tǒng)的支持向量機手勢識別算法研究.pdf

1、手勢是種自然、直觀的交流方法，它能像語言一樣表達某種意思。手勢識別技術有較廣泛的應用，但由于算法本身的相對復雜，所以多數(shù)基于PC機實現(xiàn)?；谇度胧较到y(tǒng)的手勢識別相對PC機具有便捷性等優(yōu)點，有實際應用價值。在計算、存儲資源有限的嵌入式系統(tǒng)上實現(xiàn)手勢識別需要對識別算法進行改進，才能在保證識別準確率前提下提高系統(tǒng)實時性。
　　手勢識別系統(tǒng)包括圖像采集和預處理、圖像識別等。識別算法的選擇對性能有重要影響，本文選擇支持向量機算法作為識別算法

2、。支持向量機算法基于統(tǒng)計學習理論和結構風險最小化理論，相對于人工神經(jīng)網(wǎng)絡和決策樹等算法有更好的理論基礎和泛化能力以及更高的識別準確率。因為ARM架構處理器應用較廣，所以選擇在ARM架構處理器的嵌入式系統(tǒng)上實現(xiàn)手勢識別。
　　由于訓練算法較復雜，多數(shù)人都選擇在PC機訓練模型，然后通過模型參數(shù)，在嵌入式系統(tǒng)實現(xiàn)識別部分。本文選擇將支持向量機算法的訓練部分和識別部分一起在嵌入式系統(tǒng)中實現(xiàn)，以滿足應用的需要。由于嵌入式系統(tǒng)運算能力和內存都

3、不如PC機，所以本文針對手勢識別應用改進支持向量機算法使其能在資源有限的嵌入式系統(tǒng)上有效運行，滿足穩(wěn)定性和實時性要求，提出了基于切比雪夫-徑向基混合核函數(shù)的改進多分類DAGSVM算法。改進算法對訓練樣本做了篩選，采用新的混合核函數(shù)，將遺傳算法用于參數(shù)選取，改進了多分類DAGSVM算法和SMO訓練算法，浮點數(shù)運算定點化處理。經(jīng)過實驗驗證了改進算法比原算法有更快的訓練、識別速度，識別準確率基本不變。本文針對支持向量機手勢識別算法在嵌入式平臺