《表4 28种手势的识别准确率比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合手势全局运动和手指局部运动的动态手势识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

针对28种手势，将本文方法与其他12种动态手势识别方法进行了实验对比，从表4可以看出，现有方法中识别准确率最高为83.40%，而本文方法在此基础上提高了4.89%.针对Fine类数据和Coarse类数据分别进行了实验，相比于Coarse类数据，文献[3，20]中的方法对于Fine类数据的识别准确率普遍低约15.00%；而本文方法在2类数据上的识别准确率仅相差2.37%，表明本文方法对于28种手势中的Fine类数据和Coarse类数据均具有较强的泛化能力.本文方法在2类数据上的识别准确率均超过97.00%，相较于现有最佳方法的识别准确率，分别高出27.90%和11.03%.同时，本文方法对Fine类数据的识别准确率高于对Coarse类数据的识别准确率，表明本文方法在动态手势特征表示与提取中比较注重手部细节变化，其手势特征融合了手部在空间中的全局运动特征和手内部手指的局部运动特征.另外，本文方法在2个大类手势数据综合的情况下，其识别效果较单独使用Fine类数据或Coarse类数据时有所下降.这是由于SVM本质上是一个凸优化问题，如果增加的动态手势样本数据只是无效约束（非支持向量），则不会对手势分类器造成影响；如果SVM中已有足够支持向量，手势样本数据的增加可能导致过拟合，其在较大数据集上的表现往往不佳.因此，SVM适用于小样本的动态手势数据集，而手势样本数据的增加也将使SVM的训练速度变慢，并可能导致数据有所倾斜，从而使学习得到的手势分类器的分类结果产生误差，导致识别准确率下降.