楊明羽，葉春明

（上海理工大學 管理學院，上海 200093）

0 概述

手語通過擺出不同的手臂與手的姿勢，輔以表情及其他肢體動作傳達信息，是聾啞人重要的溝通語言，也是幫助他們?nèi)谌肷鐣闹匾ぞ撸?］。美式手語（American Sign Language，ASL）是適用于美國、加拿大等地區(qū)的手語語言［2-3］。在ASL 中，包含靜態(tài)手勢和動態(tài)手勢，以J 和Z 表示動態(tài)手勢，其余字母表示靜態(tài)手勢。但由于人類的手非常靈活，可以擺出很多形狀，因此增加了手勢識別的難度。

近年來，許多學者在ASL 圖片的識別問題上，使用流行的神經(jīng)網(wǎng)絡(luò)進行研究。ASHA 等［4］提出一種通過提取靜態(tài)ASL 圖片的特征直方圖、統(tǒng)計量度等進行神經(jīng)網(wǎng)絡(luò)訓練的識別算法，最高識別率為98.17%。QUTAISHAT 等［5］通過使用霍夫變換和神經(jīng)網(wǎng)絡(luò)開發(fā)了ASL 語言翻譯及標志系統(tǒng)，識別準確度率為92.3%。ADITHYA 等［6］通過使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）［7］對ASL 數(shù)據(jù)集進行訓練預測，準確率達到94.7%。但在使用神經(jīng)網(wǎng)絡(luò)訓練時，往往需要花費大量的時間在訓練模型上［8］。特別是近年來CNN的網(wǎng)絡(luò)層數(shù)不斷加深［9］和可訓練參數(shù)驟增，更凸顯了模型訓練時間過長的問題。因此，一些學者提出了將主成分分析（Principal Component Analysis，PCA）與神經(jīng)網(wǎng)絡(luò)相結(jié)合的觀點。吳偉［10］提出PCA 與CNN 相結(jié)合識別ASL 圖片的方法，通過在CNN 前插入PCA 層進行特征降維，大幅提升了訓練速度，且識別率達到94.45%。鐘健等［11］提出一種PCA 與自組織神經(jīng)網(wǎng)絡(luò)SOM 相結(jié)合的識別方法，使用SOM 作為分類器進行圖片分類，同樣顯著提高了識別速度，且識別率穩(wěn)定在90%左右。上述方法使用的PCA 均在一維數(shù)據(jù)中使用，針對圖片等二維數(shù)據(jù)，學者們又發(fā)展了二維主成分分析（Two-Dimensional PCA，2DPCA）［12］和雙向二維主成分分析（Bidirectional 2DPCA，Bi-2DPCA）［13］方法。相比于一維的PCA，改進后的2DPCA 和Bi-2DPCA 對圖像的降維效果更好，提升速度的效果更明顯。

在基于神經(jīng)網(wǎng)絡(luò)的各種模型中，超參數(shù)的選擇對模型的性能影響很大，不恰當?shù)某瑓?shù)或?qū)⒅苯佑绊懩Ｐ偷膽眯Ч?。近幾年在ImageNet比賽中獲得成功的GoogleNet、ResNet-52 和DenseNet 都需要對超參數(shù)進行精細地調(diào)整，這3 個模型分別有78、150、376 個超參數(shù)［14］，若手動調(diào)參則會浪費非常多的時間。因此，在優(yōu)化超參數(shù)時可使用粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法［15］、遺傳算法（Genetic Algorithm，GA）［16］、貝葉斯優(yōu)化（Bayesian Optimization，BO）算法［17-19］等自動調(diào)參算法。

為提高ASL 圖片識別準確性同時加快模型訓練速度，本文提出基于Bi-2DPCA 與CNN 的美式手語識別算法。利用Bi-2DPCA 對原始圖片進行降維預處理，在此基礎(chǔ)上提取特征矩陣，并將降維后的數(shù)據(jù)輸入CNN 網(wǎng)絡(luò)進行模型訓練。同時，使用貝葉斯優(yōu)化方法，通過設(shè)計超參數(shù)的選取及其范圍優(yōu)化CNN的超參數(shù)。

1 相關(guān)知識

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）用于處理空間上有關(guān)聯(lián)的數(shù)據(jù)［20］，其使用多個較小的卷積核（filter），有規(guī)律地掃描數(shù)據(jù)。CNN 的網(wǎng)絡(luò)連接是稀疏連接，卷積核使用的是共享參數(shù)，這極大地減少了網(wǎng)絡(luò)可訓練參數(shù)的數(shù)量，加快了網(wǎng)絡(luò)訓練速度。CNN 的基本結(jié)構(gòu)由輸入層、卷積層、激活層、池化層、丟棄層（Dropout）、全連接層和輸出層構(gòu)成。在卷積層后加入批歸一化層（Batch Normalization，BN）可以進一步增強網(wǎng)絡(luò)的性能和泛化能力［21-22］。

卷積層中有多個卷積核，對于前一網(wǎng)絡(luò)層傳入的圖像或特征圖，在其每一圖層都有一個卷積核進行掃描。卷積核計算公式為：

BN 層對一批數(shù)據(jù)進行標準化，使數(shù)據(jù)符合以0為均值、以1 為標準差的分布，計算公式為：

池化層向下采樣可增加感受野，緩解過擬合。目前，常用的池化方法有最大值池化和均值池化。

Dropout 層在訓練時舍棄一定比例的神經(jīng)元，這使得網(wǎng)絡(luò)的訓練參數(shù)變少，增加了網(wǎng)絡(luò)的泛化能力，減少了某些神經(jīng)元的依賴性。當網(wǎng)絡(luò)中存在BN 層時，Dropout 的比例可適當減少。

CNN 使用Adam 優(yōu)化器對Softmax 的交叉熵函數(shù)進行優(yōu)化。Adam 定義了一階動量mt和二階動量Vt，分別為當前t次迭代時梯度gt的一次函數(shù)與二次函數(shù)，β1與β2為超參數(shù)，設(shè)置為0.9 與0.999。一階和二階動量表達式分別如式（4）和式（5）所示：

1.2 Bi-2DPCA 算法

PCA 算法核心思想是將樣本投影到一個超平面上，并使所有樣本的投影盡可能分開，即最大化投影點的方差。2DPCA 針對圖片等二維矩陣，不需要將圖片數(shù)據(jù)打平為一維數(shù)據(jù)，極大地減少了維度［12］。

利用2DPCA 算法對圖片Xi（m行n列）進行特征提取，其中投影基W（n行k列）的列寬遠小于圖片矩陣，由此可得到最后的投影矩陣為：

最后的投影矩陣Y為m行k列，實現(xiàn)了圖片在列維度的降維。其中，W矩陣為原數(shù)據(jù)中心化后的協(xié)方差矩陣前k個特征值組成的特征向量。協(xié)方差矩陣Gt表示為：

其中：N為樣本總數(shù)為樣本均值。計算Gt矩陣的特征值和特征向量，取前k個特征值組成的特征向量構(gòu)成W矩陣，即可計算最后的投影矩陣Y。

由于2DPCA 只對列維度進行降維，整體維度仍比較大，因此出現(xiàn)了改進算法Bi-2DPCA，其將2DPCA 處理后的數(shù)據(jù)Y（m行k列）繼續(xù)投影到某組基C上，得到最終的投影矩陣U，表示為：

其中，C為由新樣本構(gòu)造的協(xié)方差矩陣前j個特征值組成的特征向量。表示為：

最后得到行變換C與列變換W，將行列變換合并。對于圖片Xi，降維后的特征矩陣A的維度為j行k列，其中j和k遠小于原始圖片的m和n，則行列變換矩陣公式為：

若對特征矩陣進行復原顯示，則可得到：

在Bi-2DPCA 算法中也存在2 個超參數(shù)，即列降維選取的k取值與行降維選取的j取值，其經(jīng)驗選取為特征值貢獻率為0.9～0.99 的特征數(shù)［12］。

1.3 貝葉斯優(yōu)化

貝葉斯優(yōu)化（BO）算法基于順序模型，其目標函數(shù)不需要具有可導、連續(xù)等數(shù)學性質(zhì)，并且如果是昂貴的黑盒函數(shù)，也可以在比較少的迭代次數(shù)內(nèi)計算得到最佳的取值［17］。

在BO 算法中，最重要的2 個部分是概率代理模型和采集函數(shù)。概率代理模型用于替代評估代價高昂的目標函數(shù)，常用的代理模型有貝塔-伯努利（Beta-Bernoulli）模型、線性模型、高斯過程（Gaussian Processes，GP）模型等。GP模型具有較好的靈活性、可拓展性和可分析性，是BO 中應用最廣泛的概率代理模型。該模型由均值函數(shù)和協(xié)方差函數(shù)構(gòu)成，如式（12）所示：

其中：r為l為尺度參數(shù)。

采集函數(shù)從搜索域X中選擇評估點，將其映射到實數(shù)空間α：X→R。該函數(shù)由已觀測數(shù)據(jù)集D1：t的后驗分布組成，通過最大化該函數(shù)尋找下一個評估點xt+1，如式（14）所示：

該過程基于提升的策略EI（Expected Improvement），采集函數(shù)為：

其中：υ*為當前最優(yōu)函數(shù)值；φ(·)為標準正態(tài)分布密度函數(shù)；μt(x)為均值；σt(x)為標準差。

2 B2DPCA-CNN 算法

本文提出Bi-2DPCA-CNN 算法，算法流程如圖1所示。

圖1 Bi-2DPCA-CNN 算法流程Fig.1 Procedure of Bi-2DPCA-CNN algorithm

2.1 數(shù)據(jù)預處理

本文使用的ASL 數(shù)據(jù)集來源于Kaggle，為24 分類樣本，對應A～Z（除去J、Z）的24 個英文字母，每一類有3 000 張圖片，共72 000 張圖片。每個字母對應的照片集都在光照、姿勢、位置等方面有所不同，可以較好地模擬真實識別場景。圖2 展示了ASL 數(shù)據(jù)集部分圖片及其字母表示。

圖2 ASL 數(shù)據(jù)集部分圖片及其字母表示Fig.2 Some pictures of ASL dataset and their letter representations

圖2 中每張圖片的原始尺寸大小為200 像素×200 像素，在進行特征估計并排序后，前30 位特征柱狀圖如圖3 所示?？梢钥闯?，排名高的特征值遠大于其他特征值。

圖3 前30 個特征柱狀圖Fig.3 Top 30 feature histograms

若對圖像進行復原，則可以直觀地看出降維后的效果，圖4～圖6分別為原始灰度圖與降維到100、50、25維度復原圖像的對比圖?？梢钥闯鼋稻S到25 的復原圖像仍然可以還原手勢的形狀，所以，Bi-2DPCA 降維參數(shù)選擇為25，即200 像素×200 像素的原圖降維成25 像素×25 像素的尺寸。

圖4 100 維度原圖與復原圖對比Fig.4 Comparison of 100-dimensional original image and restored image

圖5 50 維度原圖與復原圖對比Fig.5 Comparison of 50-dimensional original image and restored image

圖6 25 維度原圖與復原圖對比Fig.6 Comparison of 25-dimensional original image and restored image

2.2 CNN 網(wǎng)絡(luò)及參數(shù)設(shè)計

如圖7 所示，本文設(shè)計包含多個卷積層和池化層的卷積神經(jīng)網(wǎng)絡(luò)。加入BN 層進行數(shù)據(jù)批標準化，并在Dropout 層進行丟棄處理，避免過擬合，最后接入全連接層和Softmax 分類器進行分類。

圖7 包含多個卷積層和池化層的CNN 結(jié)構(gòu)Fig.7 Structure of CNN with multiple convolution layers and pooling layers

卷積層、池化層和Dropout 層參數(shù)項如下，參數(shù)范圍如表1 所示。

表1 參數(shù)范圍Table 1 Range of parameters

1）卷積層1：卷積核的大小為dim1，數(shù)量為num_conv1。

2）池化層1 ：池化大小為pool。

3）卷積層2：卷積核的大小為dim2，數(shù)量為num_conv2。

4）池化層2：池化大小為pool。

5）Dropout 層：丟棄率為drop。

6）學習率：設(shè)置為優(yōu)化參數(shù)lr。

3 實驗與結(jié)果分析

3.1 實驗設(shè)置與評價指標

本文實驗使用Windows10 系統(tǒng)，編程語言為Python，實驗平臺使用TensorFlow2.1 版本，采用GPU加速，處理器為Inter i7-8750H 處理器，顯卡為NVIDIA GTX1060，6 GB 顯存。實驗使用的樣本為72 000 張圖片，其中60 000張作為訓練集，12 000張作為測試集集，模型迭代50 次，保存模型每次迭代的準確率與損失。評價指標選取準確率、訓練時間、測試時間和F1 值。

3.2 Bi-2DPCA 優(yōu)化驗證

分別使用以下模型對ASL 數(shù)據(jù)集識別并進行實驗分析，驗證Bi-2DPCA 對CNN 整體性能的提升：1）文獻［10］中的PCA-CNN 模型（下文簡稱a-CNN模型）；2）文獻［6］中的CNN 模型（下文簡稱b-CNN無改進模型）；3）文獻［6］中加入Bi-2DPCA 的CNN模型（下文簡稱b-CNN-2DPCA 模型）；4）本文設(shè)計的CNN 網(wǎng)絡(luò)無改進模型（下文簡稱CNN 無改進模型）；5）本文設(shè)計的Bi-2DPCA-CNN 模型。

5 種模型的實驗評價指標如表2 所示?？梢钥闯觯篴-CNN 模型雖然使用PCA 算法，但未使用Bi-2DPCA，仍需要花費大量時間將圖片變?yōu)橐痪S向量進行樣本矩陣的降維，且計算的協(xié)方差矩陣維度較大，無法準確地進行特征向量估計，影響了準確率與F1 值，其準確率和F1 值分別為95.82%、95.67%，測試時間為158 s；b-CNN-2DPCA 模型使用3 輪卷積池化結(jié)構(gòu)，由于存在較多的可訓練參數(shù)，訓練時間較長，在進行Bi-2DPCA改進后，準確率為98.32%，提升了0.28%，F(xiàn)1值為98.17%，提升了0.54%，訓練時間縮減了91.5%，測試時間從244 s減少到96 s；本文提出的Bi-2DPCA-CNN 模型相比于CNN無改進模型，準確率為98.28%，降低了0.03%，F(xiàn)1值為98.26%，提升了0.02%，訓練時間從3 707.3 s 縮短到358.2 s，縮減了90.3%，測試時間從232 s 減少到90 s，縮減了61.2%。圖8 為Bi-2DPCA-CNN 模型的準確率與損失曲線。

表2 不同模型的評價指標Table 2 Evaluation indicators of different methods

圖8 Bi-2DPCA-CNN 模型的準確率與損失曲線Fig.8 Accuracy and loss cruves of Bi-2DPCA-CNN model

3.3 貝葉斯優(yōu)化驗證

在Bi-2DPCA-CNN 的基礎(chǔ)上繼續(xù)使用貝葉斯算法優(yōu)化網(wǎng)絡(luò)存在的超參數(shù)。在上文2.2 節(jié)中，設(shè)計了7 組變量并分別設(shè)定了范圍，本文使用貝葉斯優(yōu)化算法，將7 組變量作為算法的輸入、將Bi-2DPCA-CNN的準確率作為輸出進行自動調(diào)參迭代。在進行5 次初始化尋優(yōu)和10 次自動尋優(yōu)后，得出模型最優(yōu)參數(shù)。貝葉斯優(yōu)化后的模型最優(yōu)參數(shù)如表3 所示。

表3 Bi-2DPCA-CNN 模型最優(yōu)參數(shù)Table 3 Optimal parameters of Bi-2DPCA-CNN model

使用貝葉斯優(yōu)化后的最優(yōu)模型與未使用貝葉斯優(yōu)化的模型評價指標如表4 所示?？梢钥闯觯航?jīng)過貝葉斯優(yōu)化后的模型性能更好，準確率為99.15%，提升了0.87%，F(xiàn)1 值為99.02%，提升了0.76%；對比文獻［6］未經(jīng)貝葉斯優(yōu)化的模型，準確率提升了1.11%，F(xiàn)1 值提升了1.39%。

表4 貝葉斯優(yōu)化前后Bi-2DPCA-CNN 性能對比Table 4 Performance comparison of Bi-2DPCA-CNN before and after Bayesian optimization %

圖9 為貝葉斯優(yōu)化后Bi-2DPCA-CNN 模型的準確率與損失曲線?？梢钥闯觯涸撃Ｐ褪褂肂i-2DPCA 算法對數(shù)據(jù)進行預處理，在保留原圖特征的同時降低了尺寸大小，顯著減少了運行時間。在使用貝葉斯優(yōu)化后，準確率與F1 值都有所提升。同時，2D2DPCA 算法與其他模型結(jié)合也有較好的結(jié)果，能夠有效減少訓練時間。

圖9 貝葉斯優(yōu)化后Bi-2DPCA-CNN 的準確率與損失曲線Fig.9 Accuracy and loss cruves of Bi-2DPCA-CNN after Bayesian optimization

4 結(jié)束語

針對現(xiàn)有算法識別ASL 數(shù)據(jù)集訓練模型速度慢和識別準確率低的問題，本文提出Bi-2DPCA-CNN算法。在圖片預處理階段使用Bi-2DPCA 算法對原始圖片特征提取降維，保留原圖重要特征并減小圖片尺寸。在此基礎(chǔ)上，設(shè)計多層卷積、池化結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進行特征圖的識別分類，并加入批歸一化層與丟棄層防止過擬合。同時，使用貝葉斯優(yōu)化方法對卷積神經(jīng)網(wǎng)絡(luò)中的超參數(shù)進行優(yōu)化，以實現(xiàn)模型的最優(yōu)化。在對24 分類ASL 圖片進行識別時，該算法在準確率、訓練時間、F1 值方面較文獻［6，10］方法均具有優(yōu)勢，驗證了算法的有效性，并且2DPCA 算法得到了特征值矩陣，對不同識別任務可獲得基于當前數(shù)據(jù)集的特征值，在其他圖像識別問題上也有可拓展性。本文工作僅針對ASL 數(shù)據(jù)集英文靜態(tài)字母，并未對動態(tài)字母及其他手語動作進行識別，下一步研究將聚焦于動態(tài)手勢識別，包括單張圖片出現(xiàn)多個動態(tài)手勢的復雜情況，以及手勢遮擋等問題。