基于图像识别的人机猜拳方法、装置与存储介质与流程

本发明涉及人机交互技术领域，具体涉及一种基于图像识别的人机猜拳方法、装置与计算机可读存储介质。

背景技术：

人机交互的发展过程就是从人适应计算机到计算机逐步适应人的过程,人机交互的发展经历了早期的手工操作阶段、作业控制语言及交互命令语言阶段、图形用户界面(gui)阶段、网络用户界面阶段、多通道与多媒体智能人机交互阶段。手作为身体上最灵活的部位，是最早用来进行人与人之间肢体交流的工具。动态手势识别是人机交互领域中的重要研究课题，具有重要的理论研究意义以及广泛的应用前景。

石头剪子布，是一种猜拳游戏。起源于中国，随着国家贸易的不断发展，先后传到日本、朝鲜、欧洲等地。其游戏规则简单明了，没有漏洞可钻，单次玩法比拼运气，多回合玩法比拼心理博弈，深受人民喜爱。

随着科技的不断发展，社会变化日新月异，猜拳游戏逐步由传统的手工竞猜演变成人机对决，参与人数也不再局限于两人或以上。市面的电子猜拳产品，互动媒介主要依靠游戏终端显示屏，用户与终端同时出拳，终端识别用户手势，得出胜负平结果，完成一次猜拳。根据调查研究，上述产品普遍存在以下不足：1)手势识别主要根据手指的位置和数量得出手型的轮廓特征，该技术识别效率低、计算量大，不适合实时手势识别应用。2)游戏的出拳和结果皆由终端显示屏实现，互动虚拟、呆板，缺乏生动形象，无法模拟传统手工竞猜的游戏乐趣。

技术实现要素：

基于此，本发明提供了一种基于图像识别的人机猜拳方法、装置与存储介质，能够提高手势识别准确性和效率，同时提高人机互动的新颖趣味性。

本发明实施例提供了一种基于图像识别的人机猜拳方法，包括：

采用卷积神经网络算法对预先采集的手势图像进行训练，构建手势识别模型；其中，所述手势识别模型中的类别信息包括：剪子、石头、布、其他；

向猜拳设备发送随机生成的手势信息，以控制所述猜拳设备进行相应的手势操作，并同时启动摄像头对手势检测区域进行抓拍，以得到待识别图像；

通过所述手势识别模型对所述待识别图像进行手势识别，以得到所述手势检测区域内的用户手势信息；

根据预设的胜负规则，判断所述用户手势信息与所述猜拳设备对应的手势信息之间的优先级，得到猜拳结果。

优选地，所述基于图像识别的人机猜拳方法还包括：

对所述摄像头抓拍到的目标区域内对应的视频图像进行人脸识别，以判断所述目标区域内是否有人；

当判断所述目标区域内有人时，检测位于所述目标区域内的所述手势检测区域是否摆放手；若否，则向语音设备发送语音信息，以向用户播放语音提示；若是，则确定进入猜拳游戏。

优选地，所述采用卷积神经网络算法对预先采集的手势图像进行训练，构建手势识别模型，具体包括：

根据预先采集的手势图像，获取训练图像样本和测试图像样本；

采用卷积神经网络算法对所述训练图像样本进行训练，构建所述手势识别模型；

将所述测试图像样本输入到所述手势识别模型，得到手势测试结果；其中，所述手势测试结果为所述手势识别模型中损失函数输出的结果；

根据所述手势测试结果，判断所述手势识别模型的识别准确率是否达到预设阈值；若否，则调整所述手势识别模型中的类别信息并重新训练所述训练图像样本；若是，确定所述手势识别模型构建完成。

优选地，所述根据预先采集的手势图像，获取训练图像样本和测试图像样本之前还包括：

按照设定的帧数从预先抓拍的手势视频中提取若干张手势图像；

采用加权平均算法对所述手势图像进行灰度处理。

优选地，所述预设阈值为80％。

优选地，所述预设的胜负规则为布>石头>剪子>布。

优选地，所述通过所述手势识别模型对所述待识别图像进行手势识别，以得到所述手势检测区域内的用户手势信息之后还包括：

当所述用户手势信息为其他时，向显示设备发送用户手势无法识别信息，以使得所述显示设备显示所述用户手势无法识别信息；

当所述用户手势信息为剪子、石头或布时，确定对所述用户手势和所述猜拳设备对应的手势信息进行胜负判断。

优选地，所述基于图像识别的人机猜拳方法还包括：

当确定进入猜拳游戏后，在达到第一设定时间时，向所述猜拳设备发送随机生成的手势信息，以控制所述猜拳设备进行相应的手势操作。

本发明实施例还提供了一种基于图像识别的人机猜拳装置，包括：

手势识别模型构建模块，用于采用卷积神经网络算法对预先采集的手势图像进行训练，构建手势识别模型；其中，所述手势识别模型中的类别信息包括：剪子、石头、布、其他；

手势控制模块，用于向猜拳设备发送随机生成的手势信息，以控制所述猜拳设备进行相应的手势操作，并同时启动摄像头对手势检测区域进行抓拍，以得到待识别图像；

用户手势信息获取模块，用户通过所述手势识别模型对所述待识别图像进行手势识别，以得到所述手势检测区域内的用户手势信息；

胜负判断模块，用于根据预设的胜负规则，判断所述用户手势信息与所述猜拳设备对应的手势信息之间的优先级，得到猜拳结果。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于图像识别的人机猜拳方法。

相对于现有技术，本发明实施例提供的一种基于图像识别的人机猜拳方法的有益效果在于：所述基于图像识别的人机猜拳方法包括：采用卷积神经网络算法对预先采集的手势图像进行训练，构建手势识别模型；其中，所述手势识别模型中的类别信息包括：剪子、石头、布、其他；向猜拳设备发送随机生成的手势信息，以控制所述猜拳设备进行相应的手势操作，并同时启动摄像头对手势检测区域进行抓拍，以得到待识别图像；通过所述手势识别模型对所述待识别图像进行手势识别，以得到所述手势检测区域内的用户手势信息；根据预设的胜负规则，判断所述用户手势信息与所述猜拳设备对应的手势信息之间的优先级，得到猜拳结果。通过上述基于图像识别的人机猜拳方法，能够提高手势识别准确性和效率，同时实现人与猜拳设备的猜拳，提高人机互动的新颖趣味性。

附图说明

图1是本发明实施例提供的一种基于图像识别的人机猜拳方法的流程图；

图2是本发明实施例提供的一种基于图像识别的人机猜拳装置的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其是本发明实施例提供的一种基于图像识别的人机猜拳方法的流程图。

所述基于图像识别的人机猜拳方法，包括：

s100：采用卷积神经网络算法对预先采集的手势图像进行训练，构建手势识别模型；其中，所述手势识别模型中的类别信息包括：剪子、石头、布、其他；

卷积神经网络算法，是对存储在数据库中大量图像样本，交替进行卷积和池化操作，逐渐提取图像的高层特征，对特征进行分类，完成识别功能。所述高层特征，是从大样本数据中学习，能应对一定程度的偏移、尺度变化以及形变，保证特征较强的可分性，对特征分类具有理想的检测效果，降低了模型的复杂度。

根据系统预先设置的类别信息，即“剪子、石头、布、其他”四个类别，把手势图像对应各个类别进行分类。通过卷积神经网络算法，对手势图像进行特征提取、反复识别训练，将提取的特征向量对应各个类别进行存储，从而完成对应上述四个类别的手势识别模型的构建。

s200：向猜拳设备发送随机生成的手势信息，以控制所述猜拳设备进行相应的手势操作，并同时启动摄像头对手势检测区域进行抓拍，以得到待识别图像；

s300：通过所述手势识别模型对所述待识别图像进行手势识别，以得到所述手势检测区域内的用户手势信息；

s400：根据预设的胜负规则，判断所述用户手势信息与所述猜拳设备对应的手势信息之间的优先级，得到猜拳结果。

所述猜拳结果通过显示设备进行显示，其中，是水平角显示设备是指液晶显示屏、触控屏等实物硬件。猜拳结果的显示视为一次游戏结束。当游戏结束后，再次通过摄像头检测当前手势检测区是否摆放手。若手势检测区无手，继续检测目标区域是否有人；若手势检测区有手，所述猜拳设备继续与用户进行猜拳游戏。

上述基于图像识别的人机猜拳方法采用卷积神经网络算法进行人脸和手势识别，与传统技术相比，做到数据更准确，识别更省时，提高手势识别准确性和效率。此外，本发明的猜拳设备，采用机械臂、猜拳手势装置等实物硬件，互动媒介不再局限于终端显示屏，生动形象，模拟传统手工竞猜模式，为人机互动增加新颖有趣性。

在一种可选的实施例中，所述基于图像识别的人机猜拳方法还包括：

对所述摄像头抓拍到的目标区域内对应的视频图像进行人脸识别，以判断所述目标区域内是否有人；

当判断所述目标区域内有人时，检测位于所述目标区域内的所述手势检测区域是否摆放手；若否，则向语音设备发送语音信息，以向用户播放语音提示；若是，则确定进入猜拳游戏。

在本实施例中，通过摄像头，实时抓拍现场目标区域情景；通过人面识别技术，对视频图像进行人面识别，检测目标区域是否有人。所述现场是指展厅、综合商场等公共场所。所述目标区域是指当前摄像头的可识别区域，具体为当前摄像头位置3米范围内的周边空间。

若所述目标区域无人，系统不作处理，并不进入猜拳游戏。

若所述目标区域有人，通过摄像头，检测当前所述手势检测区域是否摆放手。所述手势检测区域是指目标区域内的人工标识框。若所述手势检测区域无手，系统控制语音设备发出语音，吸引用户过来猜拳。若所述手势检测区域有手，所述猜拳设备继续与用户游戏。所述猜拳设备是指机械臂、猜拳手势装置等实物硬件，其出拳手势是根据系统随机生成的手势信息定义，结合用户的出拳手势，作为猜拳胜负的基准。

确定进入猜拳游戏前，通过摄像头，连续5秒实时检测当前手势检测区域是否摆放手。若手势检测区域无手，控制语音设备发出语音，提示用户把手放在手势检测区域。若手势检测区域有手，控制语音设备发出语音，提示用户开始出拳。

在一种可选的实施例中，s100：采用卷积神经网络算法对预先采集的手势图像进行训练，构建手势识别模型，具体包括：

根据预先采集的手势图像，获取训练图像样本和测试图像样本；

采用卷积神经网络算法对所述训练图像样本进行训练，构建所述手势识别模型；

将所述测试图像样本输入到所述手势识别模型，得到手势测试结果；其中，所述手势测试结果为所述手势识别模型中损失函数输出的结果；

根据所述手势测试结果，判断所述手势识别模型的识别准确率是否达到预设阈值；若否，则调整所述手势识别模型中的类别信息并重新训练所述训练图像样本；若是，确定所述手势识别模型构建完成。

在本实施例中，基于手势图像的总数量，把手势图像分成两类，一类是训练图像样本，一类是测试图像样本。所述训练图像样本为所述手势图像的90％，用于模型识别训练时使用；所述测试图像样本为所述手势图像的10％，用户模型识别训练完毕后，试运行测试时使用。所述训练图像样本存储在本地服务器的训练图像数据库中，所述测试图像样本存储在本地服务器的测试图像数据库中。

当所述训练图像数据库中的训练图像样本反复训练的次数达到系统设定数值，模型训练停止，得到所述手势识别模型。进一步地，所述设定数值为20万次，

根据损失函数的输出结果，判断所述手势识别模型识别的准确性。若准确性达到系统预设阀值，模型视为理想，可与测试图像数据库的测试图像样本进行试运行测试；否则，模型视为不理想，需重新调整参数，继续与所述训练图像数据库的训练图像样本反复训练。所述参数是指所述手势识别模型的类别信息，即：“剪子、石头、布、其他”四个类别。进一步地，所述预设阈值为80％。

在一种可选的实施例中，所述根据预先采集的手势图像，获取训练图像样本和测试图像样本之前还包括：

按照设定的帧数从预先抓拍的手势视频中提取若干张手势图像；

通过摄像头，大量抓拍关于用户出拳的手势视频。系统提取手势视频，并按照设定的帧数，把视频拆分成多张图像。上述采集方式，可以从不同角度收集用户的出拳手势，为接下来的出拳手势识别提供更为准确的保障。进一步地，所述设定的帧数为30帧。

采用加权平均算法对所述手势图像进行灰度处理。

由于从手势视频中提取出来的手势图像是彩色图像，其具体由多个像素点组成，且每个像素点都由rgb三个值表示；对所述手势图像进行灰度处理，并不会影响手势图像的纹理特征信息，而且每个像素点只需一个灰度值便可表示，大大提高了手势图像处理效率。具体地，通过以下灰度处理加权平均算法公式对所述手势图像进行灰度处理：

f(i,j)＝0.30r(i,j)+0.59g(i,j)+0.11b(i,j)

其中，i、j代表一个像素点在二维空间向量的位置，即：第i行，第j列。

根据上述公式，计算所述手势图像中每个像素点的灰度值，取值范围是0-255，使所述手势图像呈现黑白灰状态。

通过该方法，从连续的手势视频中采集手势图像，以建立所述手势识别模型，不但有效地识别不规则或者变换手势的猜拳动作，而且还能够基于用户的出拳手势预测用户接下来的出拳动作。

在一种可选的实施例中，所述预设阈值为80％。

在一种可选的实施例中，所述预设的胜负规则为布>石头>剪子>布。

在一种可选的实施例中，所述通过所述手势识别模型对所述待识别图像进行手势识别，以得到所述手势检测区域内的用户手势信息之后还包括：

当所述用户手势信息为其他时，向显示设备发送用户手势无法识别信息，以使得所述显示设备显示所述用户手势无法识别信息；

当所述用户手势信息为剪子、石头或布时，确定对所述用户手势和所述猜拳设备对应的手势信息进行胜负判断。

在一种可选的实施例中，所述基于图像识别的人机猜拳方法还包括：

当确定进入猜拳游戏后，在达到第一设定时间时，向所述猜拳设备发送随机生成的手势信息，以控制所述猜拳设备进行相应的手势操作。

进一步地，当识别出的所述待识别图像对应的用户手势信息为其他时，所述摄像头在达到第二设定时间后，对所述手势检测区域进行再次抓拍，并重新进行手势识别。

例如，若检测到用户早于所述猜拳设备出拳，猜拳设备不作处理，并在达所述第一设定时间才进行出拳；若检测到用户与所述猜拳设备同时出拳，摄像头抓拍用户出拳手势；若检测到用户后于所述猜拳设备出拳，则所述摄像头在达到第二设定时间后，再一次抓拍用户出拳手势。其中，所述第一设定时间为3秒，所述第二设定时间为2秒。

本发明采用与所述手势识别模型相同的方法，根据摄像头抓拍的视频图像构建人脸识别模型，然后通过所述人脸识别模型对目标区域的抓拍图像进行人脸识别，在此，不在对人脸识别模型的构建过程进行说明。

请参阅图2，其是本发明实施例还提供了一种基于图像识别的人机猜拳装置的示意图，所述基于图像识别的人机猜拳装置包括：

手势识别模型构建模块1，用于采用卷积神经网络算法对预先采集的手势图像进行训练，构建手势识别模型；其中，所述手势识别模型中的类别信息包括：剪子、石头、布、其他；

卷积神经网络算法，是对存储在数据库中大量图像样本，交替进行卷积和池化操作，逐渐提取图像的高层特征，对特征进行分类，完成识别功能。所述高层特征，是从大样本数据中学习，能应对一定程度的偏移、尺度变化以及形变，保证特征较强的可分性，对特征分类具有理想的检测效果，降低了模型的复杂度。

根据系统预先设置的类别信息，即“剪子、石头、布、其他”四个类别，把手势图像对应各个类别进行分类。通过卷积神经网络算法，对手势图像进行特征提取、反复识别训练，将提取的特征向量对应各个类别进行存储，从而完成对应上述四个类别的手势识别模型的构建。

手势控制模块2，用于向猜拳设备5发送随机生成的手势信息，以控制所述猜拳设备进行相应的手势操作，并同时启动摄像头6对手势检测区域进行抓拍，以得到待识别图像；

用户手势信息获取模块3，用户通过所述手势识别模型对所述待识别图像进行手势识别，以得到所述手势检测区域内的用户手势信息；

胜负判断模块4，用于根据预设的胜负规则，判断所述用户手势信息与所述猜拳设备对应的手势信息之间的优先级，得到猜拳结果。

所述猜拳结果通过显示设备7进行显示，其中，是水平角显示设备是指液晶显示屏、触控屏等实物硬件。猜拳结果的显示视为一次游戏结束。当游戏结束后，再次通过摄像头检测当前手势检测区是否摆放手。若手势检测区无手，继续检测目标区域是否有人；若手势检测区有手，所述猜拳设备继续与用户进行猜拳游戏。

上述基于图像识别的人机猜拳装置采用卷积神经网络算法进行人脸和手势识别，与传统技术相比，做到数据更准确，识别更省时，提高手势识别准确性和效率。此外，本发明的猜拳设备，采用机械臂、猜拳手势装置等实物硬件，互动媒介不再局限于终端显示屏，生动形象，模拟传统手工竞猜模式，为人机互动增加新颖有趣性。

在一种可选的实施例中，所述基于图像识别的人机猜拳装置还包括：

人脸识别模块，用于对所述摄像头抓拍到的目标区域内对应的视频图像进行人脸识别，以判断所述目标区域内是否有人；

手部检测模块，用于当判断所述目标区域内有人时，检测位于所述目标区域内的所述手势检测区域是否摆放手；若否，则向语音设备发送语音信息，以向用户播放语音提示；若是，则确定进入猜拳游戏。

在本实施例中，通过摄像头，实时抓拍现场目标区域情景；通过人面识别技术，对视频图像进行人面识别，检测目标区域是否有人。所述现场是指展厅、综合商场等公共场所。所述目标区域是指当前摄像头的可识别区域，具体为当前摄像头位置3米范围内的周边空间。

若所述目标区域无人，系统不作处理，并不进入猜拳游戏。

若所述目标区域有人，通过摄像头，检测当前所述手势检测区域是否摆放手。所述手势检测区域是指目标区域内的人工标识框。若所述手势检测区域无手，系统控制语音设备发出语音，吸引用户过来猜拳。若所述手势检测区域有手，所述猜拳设备继续与用户游戏。所述猜拳设备是指机械臂、猜拳手势装置等实物硬件，其出拳手势是根据系统随机生成的手势信息定义，结合用户的出拳手势，作为猜拳胜负的基准。

确定进入猜拳游戏前，通过摄像头，连续5秒实时检测当前手势检测区域是否摆放手。若手势检测区域无手，控制语音设备发出语音，提示用户把手放在手势检测区域。若手势检测区域有手，控制语音设备发出语音，提示用户开始出拳。

在一种可选的实施例中，手势识别模型构建模块1包括：

图像划分单元，用于根据预先采集的手势图像，获取训练图像样本和测试图像样本；

模型训练单元，用于采用卷积神经网络算法对所述训练图像样本进行训练，构建所述手势识别模型；

模型测试单元，用于将所述测试图像样本输入到所述手势识别模型，得到手势测试结果；其中，所述手势测试结果为所述手势识别模型中损失函数输出的结果；

模型判断单元，用于根据所述手势测试结果，判断所述手势识别模型的识别准确率是否达到预设阈值；若否，则调整所述手势识别模型中的类别信息并重新训练所述训练图像样本；若是，确定所述手势识别模型构建完成。

在本实施例中，基于手势图像的总数量，把手势图像分成两类，一类是训练图像样本，一类是测试图像样本。所述训练图像样本为所述手势图像的90％，用于模型识别训练时使用；所述测试图像样本为所述手势图像的10％，用户模型识别训练完毕后，试运行测试时使用。所述训练图像样本存储在本地服务器的训练图像数据库中，所述测试图像样本存储在本地服务器的测试图像数据库中。

当所述训练图像数据库中的训练图像样本反复训练的次数达到系统设定数值，模型训练停止，得到所述手势识别模型。进一步地，所述设定数值为20万次，

根据损失函数的输出结果，判断所述手势识别模型识别的准确性。若准确性达到系统预设阀值，模型视为理想，可与测试图像数据库的测试图像样本进行试运行测试；否则，模型视为不理想，需重新调整参数，继续与所述训练图像数据库的训练图像样本反复训练。所述参数是指所述手势识别模型的类别信息，即：“剪子、石头、布、其他”四个类别。进一步地，所述预设阈值为80％。

在一种可选的实施例中，所述手势识别模型构建模块1还包括：

手势图像采集单元，用于按照设定的帧数从预先抓拍的手势视频中提取若干张手势图像；

通过摄像头，大量抓拍关于用户出拳的手势视频。系统提取手势视频，并按照设定的帧数，把视频拆分成多张图像。上述采集方式，可以从不同角度收集用户的出拳手势，为接下来的出拳手势识别提供更为准确的保障。进一步地，所述设定的帧数为30帧。

灰度处理单元，用于采用加权平均算法对所述手势图像进行灰度处理。

由于从手势视频中提取出来的手势图像是彩色图像，其具体由多个像素点组成，且每个像素点都由rgb三个值表示；对所述手势图像进行灰度处理，并不会影响手势图像的纹理特征信息，而且每个像素点只需一个灰度值便可表示，大大提高了手势图像处理效率。具体地，通过以下灰度处理加权平均算法公式对所述手势图像进行灰度处理：

f(i,j)＝0.30r(i,j)+0.59g(i,j)+0.11b(i,j)

其中，i、j代表一个像素点在二维空间向量的位置，即：第i行，第j列。

根据上述公式，计算所述手势图像中每个像素点的灰度值，取值范围是0-255，使所述手势图像呈现黑白灰状态。

从连续的手势视频中采集手势图像，以建立所述手势识别模型，不但有效地识别不规则或者变换手势的猜拳动作，而且还能够基于用户的出拳手势预测用户接下来的出拳动作。

在一种可选的实施例中，所述预设阈值为80％。

在一种可选的实施例中，所述预设的胜负规则为布>石头>剪子>布。

在一种可选的实施例中，所述基于图像识别的人机猜拳装置还包括：

信息发送模块，用于当所述用户手势信息为其他时，向显示设备发送用户手势无法识别信息，以使得所述显示设备显示所述用户手势无法识别信息；

胜负判断启动模块，用于当所述用户手势信息为剪子、石头或布时，确定对所述用户手势和所述猜拳设备对应的手势信息进行胜负判断。

在一种可选的实施例中，所述手势控制模块2，具体用于当确定进入猜拳游戏后，在达到第一设定时间时，向所述猜拳设备发送随机生成的手势信息，以控制所述猜拳设备进行相应的手势操作。

进一步地，当识别出的所述待识别图像对应的用户手势信息为其他时，所述摄像头在达到第二设定时间后，对所述手势检测区域进行再次抓拍，并重新进行手势识别。

例如：若检测到用户早于所述猜拳设备出拳，猜拳设备不作处理，并在达所述第一设定时间才进行出拳；若检测到用户与所述猜拳设备同时出拳，摄像头抓拍用户出拳手势；若检测到用户后于所述猜拳设备出拳，则所述摄像头在达到第二设定时间后，再一次抓拍用户出拳手势。其中，所述第一设定时间为3秒，所述第二设定时间为2秒。

本发明采用与所述手势识别模型相同的方法，根据摄像头抓拍的视频图像构建人脸识别模型，然后通过所述人脸识别模型对目标区域的抓拍图像进行人脸识别，在此，不在对人脸识别模型的构建过程进行说明。

本发明实施例还提供了一种基于图像识别的人机猜拳装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于图像识别的人机猜拳方法。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于图像识别的人机猜拳装置中的执行过程。例如，所述计算机程序可以被分割成如图2所示的基于图像识别的人机猜拳装置的模块。

所述基于图像识别的人机猜拳装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于图像识别的人机猜拳装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于图像识别的人机猜拳装置的示例，并不构成对基于图像识别的人机猜拳装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于图像识别的人机猜拳装置还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于图像识别的人机猜拳装置的控制中心，利用各种接口和线路连接整个基于图像识别的人机猜拳装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于图像识别的人机猜拳装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述基于图像识别的人机猜拳装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于图像识别的人机猜拳方法。

相对于现有技术，本发明实施例提供的一种基于图像识别的人机猜拳方法的有益效果在于：所述基于图像识别的人机猜拳方法包括：采用卷积神经网络算法对预先采集的手势图像进行训练，构建手势识别模型；其中，所述手势识别模型中的类别信息包括：剪子、石头、布、其他；向猜拳设备发送随机生成的手势信息，以控制所述猜拳设备进行相应的手势操作，并同时启动摄像头对手势检测区域进行抓拍，以得到待识别图像；通过所述手势识别模型对所述待识别图像进行手势识别，以得到所述手势检测区域内的用户手势信息；根据预设的胜负规则，判断所述用户手势信息与所述猜拳设备对应的手势信息之间的优先级，得到猜拳结果。通过上述基于图像识别的人机猜拳方法，能够提高手势识别准确性和效率，同时实现人与猜拳设备的猜拳，提高人机互动的新颖趣味性。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。