CC BY
96
Актуальные проблемы авиации и космонавтики - 2014. Информационные технологии
УДК 004.93
К. В. Степурко, Е. Г. Абдугалимова Научный руководитель - М. Н. Фаворская Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
РАСПОЗНАВАНИЕ ЖЕСТОВ НА ОСНОВЕ НЕЙРОСЕТЕВОГО ПОДХОДА
Рассмотрена область применения распознавания жестов, один из методов распознавания жестов, а именно нейронные сети, проведено тестирование трех нейронных сетей: сеть Хопфилда, сеть Хэмминга и сеть с обратным распространением ошибки. Результаты тестирования сведены в таблицу.
На сегодняшний день все большее распространение получают технологии распознавания жестов и движений человека. В основном, подобные системы используются в игровой и киноиндустрии, в управлении различными электронными устройствами, для автоматизации сурдоперевода. На данный момент подобные системы наиболее часто строят на основе искусственных нейронных сетей (ИНС). Существует множество разновидностей ИНС и методов их обучения [1; 4]. Для анализа и тестирования работы нейронных сетей была разработана система, включающая в себя следующие ИНС: сеть Хопфилда [3; 5], сеть Хэмминга [3] и сеть с обратным распространением ошибки [2].
Известно, что все ИНС состоят из нейронов, нескольких слоев: входной, выходной и внутренний, но структура у каждой сети своя. Так, у сетей Хопфилда и Хэмминга она постоянна. У ИНС Хопфилда имеется один внутренний слой с нейронами (слой Хопфилда), а у ИНС Хэмммигна их два. Количество слоев сети с обратным распространением ошибки устанавливает сам разработчик.
Система разработана на языке Delphi в среде Em-bracadero RAD Studio XE.
Тестирование проводилось на ноутбуке, имеющем следующую конфигурацию:
- процессор: Intel Corei5 2.50HGz;
- ОЗУ: 4 Gb;
- видеокарта: Intel HD Graphics 4000.
Библиографические ссылки
1. Катаев М. Ю., Широков Л. В. Методика определения жестов руки. Томск, 2013. 5 с.
2. Короткий С. Алгоритм обратного распространения. 2010. 15 с.
3. Короткий С. Нейронные сети Хопфилда и Хэм-минг. 2010. 10 с.
Обучение сетей проводилось на 100 изображениях - по 20 изображений на жест (всего 5 различных жестов). Тестирование проводилось на 29 изображениях. Все изображения имели размер 50х75 пикселей и формат *.Ьтр. Сводная таблица результатов тестирования приведена ниже (см. таблицу).
По результатам тестирования видно, что сеть с обратным распространением ошибки наиболее эффективна, но при этом на обучение сети затрачивается большое количество времени. Сети Хопфилда и Хэм-минга затрачивают на обучение и распознавание намного меньше времени, но справляются с задачей хуже. Также необходимо учесть, что сеть Хопфилда применима только для обучения и распознавания малого количества изображений, так как обучающая выборка у данной сети очень маленькая: число запоминаемых образов не должно превышать величины, примерно равной 0,15* п (где п - число нейронов на входе).
На основе результатов тестирования можно сделать вывод, что для обработки быстро изменяющихся изображений лучше подходит предварительно обученная сеть с обратным распространением ошибки. Основная проблема заключается в подборе наилучшей структуры сети. Если же быстро изменяющихся изображений нет, но есть ограничения на затраты общего времени, то тогда предпочтительнее использовать сеть Хопфилда или Хэмминга (в зависимости от того, что нужно получить в качестве результата: сам образец или номер образца).
4. Круглов В. В., Борисов В. В. Искусственные нейронные сети: Теория и практика. М. : Горячая линия - Телеком, 2001. 381 с.
5. Пятибратская А. Н. Сеть Хопфилда [Электронный ресурс]. URL: http://i-intellect.ru/articles-of-neural-networks/hopfilds-network.html (дата обращения: 25.03.2014).
© Степурко К. В., Абдугалимова Е. Г., 2014
Название сети Вход, Выход, Слои, Нейроны, Время, Ложно распо- Верно распо-
шт. шт. шт. шт. с знано, шт. знано, шт.
Сеть Хемминга 3 750 5 2 100 0,834 8 21
Сеть с обратным рас- простране-нием ошибки 3 750 5 3 100 11 259, 546 6 23
Сеть с обратным рас- простране-нием ошибки 3 750 5 2 100 11 286, 345 9 20
Сеть Хопфилда 3 750 3 750 1 3 750 0,836 1 9
