第４１卷第１期佳木斯大学学报（自然科学版）Ｖｏｌ．４１Ｎｏ．１２０２３年０１月ＪｏｕｒｎａｌｏｆＪｉａｍｕｓｉＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）Ｊａｎ．２０２３文章编号：１００８－１４０２（２０２３）０１－００２９－０５基于计算机视觉技术和支持向量机的手势识别算法研究①徐飞，邹寿春（闽西职业技术学院信息中心，福建龙岩３６４０３０）摘要：针对现有的手势识别方法在复杂环境中识别效率不理想的情况，提出一种双通道卷积神经网络模型，该模型同时采用灰度世界算法和离散小波变换对输入数据进行预处理，减少照变化对图像的影响并提高识别效率和模型稳定性。然后通过高维特征融合模块将提取的图像信息进行融合，再利用帝国竞争算法对支持向量机分类器进行优化，提高分类效果。实验结果显示，在实验环境中，该模型的平均识别率达９５％，收敛速度快，效率高。经过消融实验对比，性能比基准模型提高４％以上。在实际测试中，对于简单手势的识别率均在９０％以上，对于复杂收手势的识别率在８０％以上。关键词：卷积神经网络；灰度图；离散小波变换；帝国竞争算法；支持向量机中图分类号：ＴＰ３９１．４文献标识码：Ａ０引言人机交互是一项研究、设计、实现人类和计算机之间交互关系的学科，是人和计算机通过人机界面进行特定形式的信息交流以达成某种目的的过程［１］。随着计算技术的发展，人机交互的工作模式由人类适应计算机转化为计算机服务于人类［２］。手势识别具有直观、易学、不受语言限制等特点，成为人机交互领域的研究热点［３］。缪永伟等学者针对手势识别中的各种干扰提出一种一对一支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）多分类策略进行手势分类和识别［４］。王粉花等学者提出一种双通道三维卷积和注意力机制的动态手势识别方法，使用批量归一化对网络参数和结构进行优化，平均识别率达到９０．７６％［５］。ＰａｎＪ等学者提出一种超越触摸屏和键盘的混合穿戴系统，该设备对于静态和动态手势的识别准确率分别为９９％和９１％［６］。ＺｈｕＣ等学者提出一种新的方法测量手势之间的相似性用于手势识别，通过Ｋｉｎｅｃｔ传感器捕获手势深度图用于描述手势［７］。目前国内外学者对手势识别的研究多集中于对卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，ＣＮＮ）的参数优化上，鲜有具体到特征提取模块和分类器优化方面...
