王 鴿，千學(xué)明，羅振剛，趙培智，劉 濤，楊子琪

（西安工業(yè)大學(xué) 機(jī)電工程學(xué)院，陜西 西安 710021）

0 引 言

手語是聽力語言障礙患者的主要溝通方式之一，與手勢不同，它是一種通過面部表情和手部動作表達(dá)意思的特殊語言形式。對于聽力和語言障礙人群來說，手語不僅便于其日常學(xué)習(xí)，而且可以為他們帶來就業(yè)機(jī)會?；谟?jì)算機(jī)視覺的手語雙向通信系統(tǒng)包括手語識別、翻譯和手語動畫生成等功能，不僅能夠幫助無障礙人群理解手語，還可以將自然語言轉(zhuǎn)化為手語動作并生成手語動畫，便于聽力和語言障礙人群理解。目前許多學(xué)者僅針對手語識別、翻譯[1-2]方面進(jìn)行了深入的研究，但是對于實(shí)現(xiàn)無障礙人群和聽力語言障礙人群兩者之間的雙向通信研究少之又少。如呂蕾等人[3]利用數(shù)據(jù)手套收集用戶手部動作變化數(shù)據(jù)，提取其動作特征并進(jìn)行手勢識別。贠衛(wèi)國等人[4]融合紋理特征、幾何特征和卷積神經(jīng)網(wǎng)絡(luò)等特征進(jìn)行手勢識別，從而提高手語的識別率。張鑫等人[5]提出了一種CGRU-ELMD 的混合深度模型來識別六種常見的人機(jī)交互手勢，其平均準(zhǔn)確度達(dá)到了93.4%。谷學(xué)靜等人[6]利用卷積神經(jīng)網(wǎng)絡(luò)和長短時記憶網(wǎng)絡(luò)相結(jié)合的方法識別動態(tài)手勢序列，其平均識別率達(dá)到92.5%。Hurroo 等人[7]使用體積神經(jīng)網(wǎng)絡(luò)來訓(xùn)練和預(yù)測ASL 數(shù)據(jù)集，準(zhǔn)確率為94.7%。欒迪等人[8]使用基于卷積神經(jīng)網(wǎng)絡(luò)的靜態(tài)手勢識別方法，經(jīng)過圖像采集、圖像識別、數(shù)據(jù)處理、CNN 建模、參數(shù)訓(xùn)練等步驟，通過測試集驗(yàn)證該模型的準(zhǔn)確率達(dá)到了92.19%。郭書杰[9]針對復(fù)雜背景會對手勢識別產(chǎn)生一定程度的影響，提出一種基于AlexNet 優(yōu)化模型的手勢識別方案，該方案的識別準(zhǔn)確率可達(dá)到93%。李晨等人[10]利用卷積神經(jīng)網(wǎng)絡(luò)提取手語的手型特征，利用軌跡歸一化算法和長短時記憶網(wǎng)絡(luò)識別連續(xù)的動態(tài)手語，該算法可以識別47 個常用手語詞組成的語句。以上的研究內(nèi)容僅關(guān)注手語的識別、翻譯，而忽視了在實(shí)際雙向交流過程中手語的生成，且在訓(xùn)練模型時關(guān)注靜態(tài)手語較多，具有很大的局限性。

綜合考慮手語的廣義性、多樣性、復(fù)雜性以及遮擋性問題，本文提出了一種基于計(jì)算機(jī)視覺的手語識別、翻譯以及手語生成的一體化系統(tǒng)，實(shí)現(xiàn)手語交流雙向通信。手語識別、翻譯旨在將攝像頭錄入的手語視頻轉(zhuǎn)化為文本或語音，而手語生成是根據(jù)自然語言生成手語合成視頻。本文采用AlexNet 神經(jīng)網(wǎng)絡(luò)模型、CNN-GUR 神經(jīng)網(wǎng)絡(luò)模型分別對靜態(tài)手語和動態(tài)手語進(jìn)行訓(xùn)練。手語的生成利用自然語言處理技術(shù)、狀態(tài)機(jī)工作原理，將識別到的語音或文字信息自動匹配到手語數(shù)據(jù)庫中，完成手語動畫視頻的生成，手語的識別、翻譯和生成互為逆過程。

1 手語雙向系統(tǒng)

如圖1 所示，基于計(jì)算機(jī)視覺的手語識別系統(tǒng)設(shè)計(jì)具有以下3 個主要功能：驗(yàn)證用戶身份、手語識別和翻譯功能、手語生成功能。用戶通過輸入賬號和密碼登錄主系統(tǒng)頁面后，選擇手語識別功能，系統(tǒng)將會打開攝像頭捕捉用戶的手部動作，本文采用中國手語和阿拉伯?dāng)?shù)字手勢進(jìn)行模型訓(xùn)練，輸出結(jié)果為中國漢字或中國漢語；用戶還可以選擇手語生成，通過識別將用戶的語音轉(zhuǎn)換為相應(yīng)的中文，然后將識別出的手語圖片轉(zhuǎn)化為視頻顯示給用戶。

圖1 手語識別系統(tǒng)流程

2 手語識別、翻譯

目前，手語識別的方法有很多[11-13]，主要有3 類：基于傳統(tǒng)的模型方法、基于模型的優(yōu)化方法、基于神經(jīng)網(wǎng)絡(luò)算法?；谟?jì)算機(jī)深度學(xué)習(xí)特征具有良好的空間時序表達(dá)性能，神經(jīng)網(wǎng)絡(luò)模型在手語研究中得到了廣泛的應(yīng)用。如圖2 所示，手語由靜態(tài)手語和動態(tài)手語兩類組成[14]。本文針對靜態(tài)手語設(shè)計(jì)一種AlexNet 的網(wǎng)絡(luò)模型，針對動態(tài)手語設(shè)計(jì)了一種基于改進(jìn)的CNN-GRU 混合模型。

圖2 手語分類框架

2.1 數(shù)據(jù)預(yù)處理

從Kaggle 下載DEVISIGN 手語數(shù)據(jù)集，該數(shù)據(jù)集包含4 414 個中國手語詞匯、331 050 個RGB-D 中國手語視頻動畫及其對應(yīng)的骨骼信息。下載后，分析圖像目錄中的子文件夾，修剪數(shù)據(jù)集，提取手部區(qū)域的圖像，將其分為7 ∶2 ∶1比例的訓(xùn)練集、測試集和驗(yàn)證集，將每張圖片處理為227×227 大小，并提取其“瓶頸”摘要層，檢索或計(jì)算圖像的“瓶頸”值，將未記錄的瓶頸值寫入文件。

由于手勢識別的重點(diǎn)是手部輪廓和骨骼節(jié)點(diǎn)信息，所以使用OpenCV 處理過的灰度圖像即可。

2.2 靜態(tài)手語識別

靜態(tài)手語包括字母手指語、數(shù)字手指語，此外還包括了一些不需要肘關(guān)節(jié)參與運(yùn)動的手勢。

2012 年Alex 等人憑借其設(shè)計(jì)的深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet 模型在Image Net 大賽中奪冠，引起了人們對于深度學(xué)習(xí)研究領(lǐng)域的廣泛關(guān)注，極大地促進(jìn)了計(jì)算機(jī)視覺領(lǐng)域的快速發(fā)展[7]。基于OpenCV的圖像采集處理，輸入單通道圖像，優(yōu)化AlexNet 模型用于靜態(tài)手語的識別。AlexNet 的優(yōu)化模型如圖3 所示，靜態(tài)手語的識別流程如圖4 所示。

圖3 AlexNet 優(yōu)化模型

圖4 靜態(tài)手語識別方案流程

2.3 動態(tài)手語識別

2.3.1 CNN 特征提取

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一個多層感知（MLP）的變體模型[15]，通常由卷積層、池化層和全連接層三部分組成。卷積層負(fù)責(zé)特征提取的過程，通過奇數(shù)大小的卷積核對收集的數(shù)據(jù)信息進(jìn)行卷積運(yùn)算并提取其局部特征，降低了輸入數(shù)據(jù)的維度且更新需要輸出的參數(shù)值。池化層是對卷積層輸出的特征圖中某些特征區(qū)域內(nèi)的特征進(jìn)行采樣并刪除多余的信息，以此來表征該特征區(qū)域的整體特征值，減少需要在下一層進(jìn)行處理的數(shù)據(jù)量。最后，通過全連接網(wǎng)絡(luò)、權(quán)重矩陣將卷積層、池化層提取到的局部特征組合成完整圖像并重新進(jìn)行分類。實(shí)際上，CNN 的多個卷積核是在不同維度上對輸入數(shù)據(jù)進(jìn)行特征提取，并通過抽象得到表征全局的特征。但是，傳統(tǒng)的CNN 模型參數(shù)過多，訓(xùn)練數(shù)據(jù)不足，容易導(dǎo)致過度擬合。

2.3.2 門控循環(huán)神經(jīng)單元

GRU 是從LSTM 中發(fā)展并對LSTM 的三個門函數(shù)進(jìn)行優(yōu)化而來，將LSTM 中的遺忘門和輸出門集成為單一的更新門，并引入了重置門的概念[16]。對于規(guī)定的時間步輸入，重置門控制前一時刻的狀態(tài)信息忽略程度，更新門控制當(dāng)前狀態(tài)對前一時刻的狀態(tài)信息的接收程度。GRU 通過變量h傳遞數(shù)據(jù)特征[17]。為了防止出現(xiàn)梯度消失或梯度爆炸問題，GRU在前一時刻網(wǎng)絡(luò)狀態(tài)ht-1和當(dāng)前網(wǎng)絡(luò)狀態(tài)ht之間添加線性依賴關(guān)系。

2.3.3 CNN-GRU 網(wǎng)絡(luò)

CNN 卷積神經(jīng)網(wǎng)絡(luò)模型適用于特征提取，GRU 網(wǎng)絡(luò)模型適用于處理空間時序數(shù)據(jù)和反向傳播中的梯度消失和梯度爆炸問題，而動態(tài)手語的識別任務(wù)是對三維空間中手部動作變化的角度、角速度、加速度等時間序列進(jìn)行分類識別，因此本文采用CNN-GRU 混合網(wǎng)絡(luò)模型的方法進(jìn)行動態(tài)手語識別。如圖5 所示，本文設(shè)計(jì)動態(tài)手語識別流程主要包括三部分。第一部分是由卷積層和池化層構(gòu)成的輸入部分，第二部分是由GRU 單元構(gòu)成的中間部分，第三部分是由全連接和Softmax 分類構(gòu)成的輸出部分。

圖5 動態(tài)手語識別流程框圖

2.4 模型訓(xùn)練結(jié)果

完成上述數(shù)據(jù)預(yù)處理和參數(shù)設(shè)置后，啟動模型訓(xùn)練任務(wù)，將訓(xùn)練數(shù)據(jù)集分成20 組進(jìn)行模型訓(xùn)練，創(chuàng)建優(yōu)化器和損失函數(shù)，定義學(xué)習(xí)率的衰減點(diǎn)，訓(xùn)練到50%和70%，學(xué)習(xí)率降低到1/10，將每次訓(xùn)練的損失存入平均交叉熵中，在每組訓(xùn)練完成后得到一組訓(xùn)練損失、驗(yàn)證損失和最佳驗(yàn)證損失，并用所得數(shù)據(jù)不斷更新學(xué)習(xí)率，直到所有20 組都得到訓(xùn)練。該模型對中國手語和阿拉伯?dāng)?shù)字的最終識別精度為95.52%。

3 手語生成

手語生成是指將文本或語音轉(zhuǎn)換成相應(yīng)的手勢動畫的過程，涉及自然語言處理、句子分詞以及動畫拼接。該系統(tǒng)采用語音識別技術(shù)，無障礙患者輸入語音或文本，經(jīng)過自然語言的處理、句子分詞自動匹配DEVISIGN 手語數(shù)據(jù)集中相應(yīng)的中文手語圖片，使用OpenCV 圖像處理技術(shù)將幀率設(shè)置為1，將圖片以序列顯示的方式[18]拼接成動畫并生成視頻文件，以AVI 格式顯示生成的手語視頻。流程如圖6所示。

圖6 手語生成流程

3.1 文本分詞并查找同義詞

將語音轉(zhuǎn)化為文本或無障礙患者直接輸入文本后，系統(tǒng)對文本進(jìn)行分詞，將一段文字拆分成多個單詞或短語。

3.2 基于狀態(tài)機(jī)的動畫拼接

從DEVISIGN 手語數(shù)據(jù)集中找到詞匯序列所對應(yīng)的圖片，使用OpenCV 圖像處理技術(shù)，設(shè)置幀率為1，將圖片以序列顯示的方式拼接成動畫并生成視頻文件。在手語視頻拼接過程中，有如下規(guī)則：

定義1：SL（手語詞匯庫）=（S1,S2, ...,Sn），其中Si代表第i個手語詞匯。當(dāng)i＜j時，Len(Si)＜Len(Sj)。

定義2：詞匯Si的手語詞匯動畫視頻。T(Si)＝{W1,W2, ...,Wn}，其中Wi代表對應(yīng)手語詞匯的手語動畫。

把每個手語動畫序列看成一個狀態(tài)，則手語動畫生成方法如圖7 所示。

圖7 手語動畫生成規(guī)則

4 結(jié) 語

本文設(shè)計(jì)了一個基于計(jì)算機(jī)視覺的手語雙向通信系統(tǒng)，利用AlexNet 神經(jīng)網(wǎng)絡(luò)提取DEVISIGN 數(shù)據(jù)語料庫的特征，實(shí)現(xiàn)靜態(tài)手語的識別和翻譯輸出；利用CNN 神經(jīng)網(wǎng)絡(luò)提取DEVISIGN 數(shù)據(jù)語料庫的特征，并將其放入GRU 分類器中，實(shí)現(xiàn)動態(tài)手語、阿拉伯?dāng)?shù)字的識別和翻譯輸出。同時，基于狀態(tài)機(jī)將用戶輸入的文本或語音轉(zhuǎn)換為相應(yīng)的中國手語或阿拉伯?dāng)?shù)字手語動畫，實(shí)現(xiàn)手語的生成。實(shí)驗(yàn)測試手語識別準(zhǔn)確率為95.52%，手語翻譯準(zhǔn)確率為93.3%，能夠滿足基本需求，為聽障群體打開溝通之門。