趙一丹，肖秦琨，郭 鵬

(西安工業(yè)大學(xué) 電子信息工程學(xué)院，陜西 西安 710021)

1 概 述

隨著人工智能技術(shù)的發(fā)展，以機(jī)器為核心的計(jì)算模式正朝著以人為中心的計(jì)算模式轉(zhuǎn)變，自然且符合人類習(xí)慣的人機(jī)交互(HCI)方式逐漸成為目前研究的熱點(diǎn)?？梢灶A(yù)知的是下一代的人機(jī)交互平臺(tái)應(yīng)該是以手勢(shì)為主，語音為輔，而裸手操作則是最自然的人機(jī)交互方式。另外，手語作為一種表達(dá)的工具在手語使用者與他人的交流之間產(chǎn)生著重大影響。對(duì)手勢(shì)識(shí)別的研究不僅可用于有效、自然的人機(jī)交互，對(duì)聾啞人或聽力受損人群與健全人之間的溝通也有重要的作用。

手勢(shì)識(shí)別、步態(tài)識(shí)別、動(dòng)作識(shí)別等眾多行為分析技術(shù)已經(jīng)逐步應(yīng)用在社會(huì)生活當(dāng)中。一個(gè)完整的手勢(shì)識(shí)別系統(tǒng)包括手勢(shì)數(shù)據(jù)的采集、手勢(shì)分割、手勢(shì)特征提取、手勢(shì)特征表達(dá)以及手勢(shì)識(shí)別分類[1-2]。在手勢(shì)分類問題中關(guān)鍵在于如何提取一組好的手勢(shì)特征并使用有效的分類器進(jìn)行識(shí)別分類。Guo等[3]提出了一種改進(jìn)的Zernike矩，26個(gè)英文字母靜態(tài)手勢(shì)識(shí)別的精度和計(jì)算成本。他們認(rèn)為大多數(shù)對(duì)靜態(tài)手勢(shì)識(shí)別的研究中，為了提高識(shí)別的準(zhǔn)確率，大都著眼于對(duì)手勢(shì)特征的提取以及分類的過程，很少有研究考慮降低識(shí)別過程中的計(jì)算成本。Wu等[4]針對(duì)原始超限學(xué)習(xí)機(jī)在手勢(shì)識(shí)別應(yīng)用中欠缺良好的泛化性能和魯棒性等問題，運(yùn)用主成分分析(PCA)算法提取手勢(shì)圖像的主要特征，通過分層超限學(xué)習(xí)機(jī)的稀疏自動(dòng)編碼和分層訓(xùn)練，獲得原始輸入的多層稀疏表達(dá)，使自動(dòng)編碼后的輸出近似原始輸入，最大限度地減少重構(gòu)誤差，提高特征分類的精度。實(shí)驗(yàn)的識(shí)別精度達(dá)到95.19%。Pu等[5]針對(duì)Kinect深度信息下靜態(tài)手勢(shì)識(shí)別魯棒性差及識(shí)別率低的問題，提出構(gòu)造一種新的Hu不變矩，采用尺度歸一法消除尺度變化對(duì)Hu矩的影響，對(duì)六種靜態(tài)手勢(shì)進(jìn)行識(shí)別的準(zhǔn)確率達(dá)到98.9%。Chaudhary等[6]比較了人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯和遺傳算法在基于計(jì)算機(jī)視覺的手勢(shì)識(shí)別中的不同應(yīng)用，成功地將進(jìn)化算法應(yīng)用于手勢(shì)識(shí)別，但尚未用于特征選擇和優(yōu)化手勢(shì)分類器。Hasan等[7]提出了一種利用多層感知器和復(fù)數(shù)矩對(duì)6種不同的手勢(shì)進(jìn)行分類的手勢(shì)識(shí)別系統(tǒng)，識(shí)別率為86.38%。Aowal等[8]測(cè)試了判別性Zernike矩(DZMs)提取圖像特征用于識(shí)別，并將其與標(biāo)準(zhǔn)Zernike矩、主成分分析和傅立葉描述子(FD)進(jìn)行比較。

雖然特征集對(duì)于任何分類任務(wù)都非常重要，但在實(shí)時(shí)的識(shí)別系統(tǒng)中計(jì)算成本對(duì)于提高實(shí)時(shí)系統(tǒng)的效率同樣重要。例如，盡管Zernike矩成功地用于不同的圖像識(shí)別問題，但仍具有缺點(diǎn)：與其他常用圖像描述符相比，CPU時(shí)間更長(zhǎng)。在現(xiàn)有研究中，Gabor濾波器所表示的特征描述符的計(jì)算速度最快。另外，神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)還會(huì)影響識(shí)別精度和速度。較大的神經(jīng)網(wǎng)絡(luò)會(huì)更好地識(shí)別某種模式，但它會(huì)帶來更大的訓(xùn)練和分類成本。遺傳算法已成功應(yīng)用于神經(jīng)網(wǎng)絡(luò)的性能改進(jìn)。Leung等[9]提出了一種在其鏈路中具有開關(guān)的神經(jīng)網(wǎng)絡(luò)，使用遺傳算法來調(diào)整其結(jié)構(gòu)和參數(shù)。隱藏節(jié)點(diǎn)的數(shù)量是手動(dòng)選擇的，從一個(gè)小的數(shù)字開始并增加，直到達(dá)到很好的識(shí)別率。遺傳調(diào)整的結(jié)果是一個(gè)較小的、部分連接的網(wǎng)絡(luò)，從而減少了計(jì)算、硬件和內(nèi)存成本。文中提出的遺傳算法同時(shí)優(yōu)化了隱含神經(jīng)元的數(shù)量和神經(jīng)網(wǎng)絡(luò)中輸入的配置。

鑒于選擇最佳特征集合來表示手勢(shì)的重要性以及實(shí)時(shí)執(zhí)行此任務(wù)的最佳分類器的計(jì)算成本，提出比較了幾種常用特征，即Zernike和偽Zernike矩、傅里葉描述符、Hu特征和Gabor特征。基于識(shí)別準(zhǔn)確度和計(jì)算成本將這些圖像描述符的識(shí)別結(jié)果彼此進(jìn)行比較。鑒于特征選擇是一個(gè)多目標(biāo)問題，提出使用多目標(biāo)進(jìn)化算法(NSGA-II)來選擇特征的最佳組合并優(yōu)化神經(jīng)網(wǎng)絡(luò)的性能。人工神經(jīng)網(wǎng)絡(luò)和遺傳算法已經(jīng)在分類問題中應(yīng)用，文中將兩者結(jié)合起來，對(duì)測(cè)試不同特征描述符在準(zhǔn)確性和識(shí)別速度方面進(jìn)行比較。

1 手勢(shì)分割及特征提取

1.1 手勢(shì)分割

在識(shí)別分類系統(tǒng)中，圖像分割是為后續(xù)的特征提取和識(shí)別做準(zhǔn)備，圖像分割的好壞直接影響分類結(jié)果。文中主要是對(duì)Kinect 2.0體感外設(shè)獲取的深度信息的手形分割，深度信息可以有效去除場(chǎng)景中光照、背景的干擾。首先規(guī)定手部位于圖像最前端，即整幅圖像中深度值最小的部分。其次確定深度閾值，將小于閾值的部分分割，從而得到手形部分。此方法主要用于深度圖像，并且對(duì)背景和光照的限制極少，提高了實(shí)驗(yàn)的可行性和實(shí)用性。深度圖像中，前景目標(biāo)的深度值與背景各部分深度值不同，故可以利用閾值分割算法提取前景信息。整個(gè)手勢(shì)分割算法流程如圖1所示。

(a)手勢(shì)分割流程

(b)手勢(shì)分割結(jié)果

1.2 手勢(shì)特征提取

文中對(duì)手勢(shì)特征的提取主要采用以下手勢(shì)特征描述符：Hu矩、Zernike矩、偽Zernike矩、傅里葉描述符和Gabor特征。同時(shí)，在進(jìn)行手語識(shí)別時(shí)，將以上不同的手勢(shì)特征描述符組合起來，對(duì)其分類結(jié)果的準(zhǔn)確性進(jìn)行對(duì)比。

1.2.1 Hu矩

幾何矩是由M.K.Hu在1962年提出的，并證明了7個(gè)不變矩對(duì)圖像的平移、旋轉(zhuǎn)、鏡像和尺度變換具有不變性[10]，是最早建立的圖像描述符之一。幾何矩的七個(gè)分量定義為：

I1=η20+η02

I3=(η30-3η12)2+(3η21-η03)2

I4=(η30+η12)2+(η21+η03)2

I5=(η30-3η12)(η30+η12)[(η30+η12)2-

3(η21+η03)2]+(3η21-η03)(η21+

η03)[3(η30+η12)2-(η21+η03)2]

I6=(η20-η02)[(η30+η12)2-(η21+η03)]+4η11(η30+η21)(η21+η03)

I7=(3η21-η03)(η30+η12)[(η30+η12)2-

3(η21+η03)2]-(η30-3η12)(η21+

η03)[3(η30+η12)2-(η21+η03)2]

(1)

1.2.2 Zernike矩

Zernike多項(xiàng)式是于1934年由Frits Zernike提出[11]。Zernike提出了一組正交多項(xiàng)式{Vnm(x,y)}，圖像的Zernike矩是該圖像在正交多項(xiàng)式上的投影，而這組多項(xiàng)式在單位圓內(nèi){x2+y2≤1}是正交的。多項(xiàng)式的形式是：

Vnm(x,y)=Vnm(ρ,?)=Rnm(ρ)exp(jm?)

(2)

其中，n為正整數(shù)或零，m為正或負(fù)整數(shù)，必須滿足n-|m|=even,|m|≤n；ρ為圓點(diǎn)到(x,y)像素點(diǎn)長(zhǎng)度的矢量；?為矢量ρ和軸x的夾角；Rnm(ρ)為徑向多項(xiàng)式。

重復(fù)率為m的n階Zernike矩定義為：

(3)

對(duì)于一幅數(shù)字圖像，積分用求和代替，即

(4)

為了計(jì)算一幅給定圖像的Zernike矩，必須將圖像的中心移到坐標(biāo)圓點(diǎn)，將圖像像素點(diǎn)映射到單位圓內(nèi)。Zernike矩具有旋轉(zhuǎn)不變性,可以將|Anm|作為目標(biāo)的不變性特征。

1.2.3 偽Zernike矩

偽Zernike矩的缺點(diǎn)在于計(jì)算徑向多項(xiàng)式時(shí)的計(jì)算量較大。文中使用Chong等[12]提出的一種改進(jìn)的快速計(jì)算徑向多項(xiàng)式Rnm(ρ)的方法。在N×N圖像上計(jì)算標(biāo)準(zhǔn)PZMs的計(jì)算復(fù)雜度為O(N2n3)，文中使用Chong等[12]提出的P階遞歸方法的計(jì)算復(fù)雜度為O(N2n2)。為了進(jìn)一步提高計(jì)算效率，當(dāng)m=0時(shí)計(jì)算PZM。因此，在該過程中，復(fù)數(shù)項(xiàng)ejmθ是恒定的并且等于1。圖2顯示了通過計(jì)算包含2 425個(gè)圖像的一組像素為灰度圖像的10階Zernike矩和偽Zernike矩CPU所花費(fèi)的平均時(shí)間，可以觀察出計(jì)算偽Zernike矩比Zernike矩要快得多，因此得到了廣泛應(yīng)用。

圖2 10階Zernike矩和偽Zernike矩的計(jì)算時(shí)間

1.2.4 傅里葉描述符

傅里葉特征是手語識(shí)別中應(yīng)用最廣的一種描述子，它是對(duì)手部形狀輪廓特征進(jìn)行提取和描述的一種算法。要得到一個(gè)目標(biāo)圖像的傅里葉描述符，首先要描繪出該目標(biāo)圖像的邊緣，然后從圖像邊緣的一點(diǎn)開始，遍歷圖像邊緣，將邊緣每一點(diǎn)的坐標(biāo)x(t)和y(t)記錄下來。使用輪廓函數(shù)的兩種不同表示法：復(fù)數(shù)坐標(biāo)和質(zhì)心距離函數(shù)[13]。

在第一個(gè)表示中，輪廓的每個(gè)坐標(biāo)都轉(zhuǎn)換為復(fù)函數(shù)。

z(t)=[x(t)-xc]+i[y(t)-yc]

(5)

其中，(xc,yc)是輪廓的質(zhì)心坐標(biāo)。

通過這一轉(zhuǎn)換使z(t)具有平移不變性，然后對(duì)z(t)進(jìn)行傅里葉轉(zhuǎn)換。

第二種方法基于下面定義的質(zhì)心距離函數(shù)。與z(t)一樣，質(zhì)心距離函數(shù)也使得具有平移不變性。

(6)

將上述輪廓函數(shù)進(jìn)行離散傅里葉變換(DFT)：

(7)

其中，N是輪廓點(diǎn)的數(shù)量；s(t)是輪廓函數(shù)，即r(t)或z(t)。通常un表示傅里葉描述符。

當(dāng)s(t)是一個(gè)復(fù)函數(shù)z(t)時(shí)，第一個(gè)分量u0是直流分量，因?yàn)樗灰蕾囉谛螤畹奈恢?，所以不被使用。特征向量f則包含N-2個(gè)描述符[13]。

(8)

對(duì)于基于質(zhì)心距離r(t)的傅里葉描述符，式6僅使用實(shí)數(shù)，使得傅里葉變換產(chǎn)生N/2個(gè)不同的值。因此，特征向量大小被限制為N/2，如下所定義：

(9)

1.2.5 Gabor特征

在圖像處理中，Gabor函數(shù)是一個(gè)用于邊緣提取的線性濾波器[14]。Gabor濾波器的頻率和方向表達(dá)同人類視覺系統(tǒng)類似。Gabor特征被廣泛應(yīng)用于通過將圖像與濾波核函數(shù)進(jìn)行卷積來識(shí)別紋理特征[15]。一個(gè)二維Gabor濾波器是一個(gè)由正弦平面波調(diào)制的高斯核函數(shù)。二維Gabor濾波器由下式給出：

(10)

其中，σ為高斯包絡(luò)的標(biāo)準(zhǔn)偏差；θ為Gabor函數(shù)并行條紋的方向(0-360度)；λ為波長(zhǎng)；γ為空間縱橫比；φ為相位偏移；w為濾波窗口的大小。

該濾波器沿著θ的方向執(zhí)行低通濾波，并執(zhí)行與其θ正交的帶通濾波。因此，通過選擇上述參數(shù)，可以增強(qiáng)圖像的視覺屬性，例如空間頻率和方向。

一個(gè)特征矢量的構(gòu)造如下：首先對(duì)僅包含手型的圖像應(yīng)用Gabor濾波器，然后將得到的圖像重新縮放到8×8，并且特征向量由相應(yīng)的64個(gè)整數(shù)組成。得到的64個(gè)整數(shù)是Gabor濾波器的特征向量。

2 多目標(biāo)優(yōu)化算法

2.1 多目標(biāo)優(yōu)化

當(dāng)一個(gè)最優(yōu)決策是兩個(gè)或多個(gè)相互沖突的目標(biāo)之間權(quán)衡時(shí)，就會(huì)出現(xiàn)多目標(biāo)問題。特征選擇本質(zhì)上是一個(gè)多目標(biāo)問題，任何給定的解決方案都可以根據(jù)所選擇的特征的復(fù)雜性和準(zhǔn)確性進(jìn)行相應(yīng)的評(píng)估。其最終的目標(biāo)是最小化特征向量的復(fù)雜性，并最大化特征向量的準(zhǔn)確性[16]。在特征選擇的問題上提出了一種解決方案，如果符合以下標(biāo)準(zhǔn)，則稱解決方案A支配解決方案B。

·A特征向量的復(fù)雜性比B低，或者A特征向量的準(zhǔn)確性比B高。

·B特征向量的復(fù)雜性和準(zhǔn)確性都比A差。

如圖3所示，考慮三種不同的解決方案：S1、S2和S3。假設(shè)對(duì)所有目標(biāo)而言，任意兩個(gè)解S1和S2，S1均優(yōu)于S2，則稱S1支配S2，若S1的解沒有被其他所支配，則把S1稱為非支配解(不受支配解)，也稱Pareto解。這些非支配解的集合即所謂的Pareto front。所有坐落在Pareto front中的解皆不受Pareto front之外的解(以及Pareto front曲線以內(nèi)的其他解)所支配，因此這些非支配解較其他解而言擁有最少的目標(biāo)沖突，可為決策者提供一個(gè)較佳的選擇空間。在這種情況下，多目標(biāo)優(yōu)化設(shè)計(jì)用于搜索一組最接近Pareto front的解決方案。

圖3 多目標(biāo)特征選擇問題

2.2 優(yōu)化算法

多目標(biāo)進(jìn)化算法NSGA-II(非歸類排序遺傳算法)是Deb等[17]提出的，近年來廣泛用于各種多目標(biāo)優(yōu)化問題。文中將這一方法應(yīng)用于靜態(tài)手勢(shì)識(shí)別?；贜SGA-II的多目標(biāo)優(yōu)化算法(算法1)的主要步驟如下：

Step1：從獲取的手語數(shù)據(jù)集中提取特征，并隨機(jī)將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集；

Step2：初始化大小為N的遺傳群體P0，t=0且當(dāng)t小于最大迭代次數(shù)時(shí)，通過交叉和變異從Pt獲得大小為N的種群Qt；通過合并Pt和Qt產(chǎn)生組合種群Rt=Pt∪Qt；

Step3：Rt中的每個(gè)染色體生成編碼輸入MLP；使用交叉驗(yàn)證評(píng)估訓(xùn)練集；

Step4：對(duì)Rt進(jìn)行非支配排序，并通過擁擠和精英保留策略選出N個(gè)個(gè)體，組成新一代種群Pt+1；

Step5：評(píng)估Pt在測(cè)試子集上的最終Pareto front；返回Pareto front的解，以及訓(xùn)練和測(cè)試分類的準(zhǔn)確性。

算法NSGA-II通過應(yīng)用遺傳算子交叉和變異獲得新的種群Qt。對(duì)于種群Pt的每個(gè)染色體，以概率pc進(jìn)行均勻交叉。在均勻交叉中，每個(gè)新染色體都是來自Pt的兩個(gè)隨機(jī)選擇的染色體(父代)的組合。如果不應(yīng)用此運(yùn)算符，則將染色體從Pt復(fù)制到Qt，然后以每個(gè)比特的概率pM應(yīng)用位翻轉(zhuǎn)突變。

為了避免優(yōu)化過程中的偏差，將特征數(shù)據(jù)庫分為訓(xùn)練集(80%)和測(cè)試集(20%)，如算法1所述。在優(yōu)化循環(huán)的過程中，每個(gè)染色體代表一種可能的解決方案。通過訓(xùn)練集上的5倍交叉驗(yàn)證來評(píng)估此解決方案的準(zhǔn)確性。其中，交叉驗(yàn)證是在優(yōu)化算法的內(nèi)部循環(huán)中執(zhí)行的，以評(píng)估單個(gè)染色體的性能。在優(yōu)化循環(huán)之后，最終的Pareto front在測(cè)試子集上進(jìn)行測(cè)試。這被稱為特征選擇的方法，Kohavi等[18]對(duì)此進(jìn)行了更加詳細(xì)的討論。

在NSGA-II中，每個(gè)特征的表示與其他二進(jìn)制特征選擇中使用的相同，其中1個(gè)特征以二進(jìn)制字符串編碼，“1”表示選擇了特征，否則為“0”。

初始化二元染色體最常見的方法是基本上為每一位擲出一枚硬幣。在特征選擇的情況下，每個(gè)位代表一個(gè)特定的特征，因此通過翻轉(zhuǎn)一枚硬幣，每個(gè)特征被選擇的可能性為50%。這種初始化技術(shù)對(duì)創(chuàng)建平均具有一半可用特征的染色體群體的結(jié)果不太理想。換句話說，像“000010000”這樣具有很少特征的序列或者具有大多數(shù)可用特征(如“111101111”)的序列將不會(huì)出現(xiàn)在初始群體中，從而限制了算法的搜索能力。為了創(chuàng)建一個(gè)關(guān)于所選特征數(shù)量均勻分布的總體，執(zhí)行統(tǒng)一的初始化，二元色體群的統(tǒng)一隨機(jī)初始化(算法2)主要步驟如下：

Step1：設(shè)n是染色體中的比特?cái)?shù)，m是每個(gè)染色體的最小特征數(shù)；

Step2：初始化，將每一個(gè)染色體Ci初始化為n位，每一位為“0”的二進(jìn)制字符串(創(chuàng)建了沒有選定特征的干凈染色體)；

Step3：r=max(m，i)，用1到n之間的隨機(jī)數(shù)字創(chuàng)建一個(gè)列表r；

Step4：對(duì)每一個(gè)列表中的每個(gè)數(shù)字，將Ci的相應(yīng)位設(shè)置為“1”(結(jié)果只使用r個(gè)特征)；

Step5：結(jié)束。

圖4給出了兩種初始化方法的比較，其中左圖為每個(gè)位翻轉(zhuǎn)硬幣初始化的200個(gè)染色體的群體的特征數(shù)的頻率計(jì)數(shù)，右圖為算法2中使用的統(tǒng)一初始化的頻率計(jì)數(shù)。每種初始化方法應(yīng)用于200個(gè)染色體的群體，編碼169個(gè)特征。

圖4 兩種初始化方法的比較

3 靜態(tài)手語分類

采用可配置的三層感知器網(wǎng)絡(luò)對(duì)有限元特征矢量進(jìn)行分類。圖5所示為1個(gè)輸入、隱含層和n個(gè)輸出的神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)有兩個(gè)參數(shù)，可針對(duì)特定問題進(jìn)行優(yōu)化：

一組開關(guān)，將特征矢量fk與輸入層ik連接起來。開關(guān)的排列定義了輸入層中活動(dòng)神經(jīng)元的數(shù)量，即實(shí)際用于訓(xùn)練和分類的特征組合。

隱藏層中的神經(jīng)元數(shù)量(n)，該參數(shù)用于配置網(wǎng)絡(luò)內(nèi)的連接數(shù)量。

圖5 具有可變輸入和隱藏層大小的MLP

由于每個(gè)輸出神經(jīng)元對(duì)應(yīng)于一個(gè)類，輸出層的大小取決于類(m)的個(gè)數(shù)。對(duì)網(wǎng)絡(luò)的下列參數(shù)進(jìn)行了調(diào)整：

最大迭代次數(shù)：設(shè)置為300，范圍介于100～400。

允許誤差：設(shè)置為10-5，范圍介于10-6～10-4。

梯度正常步長(zhǎng)：設(shè)置為0.002，范圍介于0.001～0.1。

反向傳播動(dòng)量值：設(shè)置為0.01，范圍介于0.05～0.1。

為了評(píng)估上述特征向量的辨別能力，將在實(shí)驗(yàn)中采用MLP分類器測(cè)試每個(gè)特征向量以及不同特征向量的組合。對(duì)于每一組實(shí)驗(yàn)考慮具有50，100，200，300，400和500個(gè)神經(jīng)元的隱藏層進(jìn)行測(cè)試。通過分析實(shí)驗(yàn)結(jié)果驗(yàn)證該方法的有效性。并統(tǒng)計(jì)不同描述符的分類精度和CPU所花費(fèi)的時(shí)間。實(shí)驗(yàn)設(shè)計(jì)有幾種策略涉及多目標(biāo)特征選擇和結(jié)果呈現(xiàn)。為了確保識(shí)別系統(tǒng)的準(zhǔn)確性，最終的識(shí)別結(jié)果在多次實(shí)驗(yàn)中取平均值。所采集手語數(shù)據(jù)集中的80%為樣本數(shù)據(jù)集，20%為測(cè)試數(shù)據(jù)集。

4 結(jié)束語

提出了一種基于深度信息的靜態(tài)手勢(shì)識(shí)別的方法。提出一種優(yōu)化方案通用評(píng)估數(shù)據(jù)庫中幾種特征提取方法對(duì)手勢(shì)的識(shí)別率和CPU時(shí)間的手勢(shì)識(shí)別算法，其中包含了手勢(shì)大小、光照和旋轉(zhuǎn)變化等因素的影響。從識(shí)別精度和速度兩方面，綜合比較了如Hu矩、Zernike矩、偽Zernike矩、傅里葉描述符和Gabor特征等幾種常見的圖像特征描述符。手勢(shì)識(shí)別采用多層感知器，具有結(jié)構(gòu)靈活、識(shí)別速度快的特點(diǎn)。為了提高識(shí)別精度和減少計(jì)算量，特征向量和神經(jīng)網(wǎng)絡(luò)均通過基于NSGA-II的多目標(biāo)進(jìn)化算法進(jìn)行調(diào)整。在對(duì)手語識(shí)別的進(jìn)一步探究中，對(duì)提出方法的有效性進(jìn)行了驗(yàn)證?；谏疃葓D像的方法也更容易推廣應(yīng)用到其他計(jì)算機(jī)視覺技術(shù)領(lǐng)域，具有一定的通用性。