技术特征：
1.一种基于机器视觉注意力机制的静态手势识别方法，其特征在于，具体包括以下步骤：（1）采用rgb摄像头采集多类别的静态手势图像；（2）将静态手势图像中手势区域检测出来后进行裁剪得到手势图片，再进行保存，并将所有类别的手势图片划分成训练集、验证集和测试集；（3）将步骤（2）得到的手势图片由rgb格式转成yuv格式，使得训练集、验证集和测试集中的手势图片均为yuv格式；（4）以mobilenetv2网络作为网络框架，并加入注意力机制模块，并以类别分类损失函数构建卷积神经分类网络；（5）将步骤（3）的训练集输入卷积神经分类网络中进行多次网络训练，每训练完一个epoch，就采用步骤（3）的验证集进行测试，保留准确率最高的那个权重，待训练完成后得到训练模型，用步骤（3）的测试集进行测试，若满足设定指标，则进入步骤（7），否则进入步骤（6）；（6）重新采集未覆盖的场景和错误分类手势对应的静态手势图像，重复步骤（2）和步骤（3）添加到训练集中进行持续迭代训练，对应地，不断更新训练模型；（7）将步骤（5）或步骤（6）中的训练模型加载到步骤（4）卷积神经分类网络中，直接采用rgb摄像头实时采集静态手势图像，并将静态手势图像中手势区域检测出来后进行裁剪得到手势图片，然后输入训练模型中进行识别，得到每个类别的概率分数，概率分数最高对应的那个类别即为识别到的手势类别。2.根据权利要求1所述的一种基于机器视觉注意力机制的静态手势识别方法，其特征在于，步骤（1）中至少包括四个类别，其中一类别为干扰静态手势，剩余类别包括但不限于点赞、比心、胜利、剪刀、石头和布中的任意三种或多种静态手势。3.根据权利要求2所述的一种基于机器视觉注意力机制的静态手势识别方法，其特征在于，步骤（1）中采集不同光照、不同角度场景下的静态手势图像。4.根据权利要求1所述的一种基于机器视觉注意力机制的静态手势识别方法，其特征在于，步骤（2）和步骤（6）中先将静态手势图像中的手势区域向外扩大后再进行裁剪，以得到手势图片。5.根据权利要求4所述的一种基于机器视觉注意力机制的静态手势识别方法，其特征在于，所述手势图片左上角的坐标为（x1'，y1'），右下角的坐标为（x2'，y2'），外扩方法为：x1'=max（0，x
1-（x
2-x1）*0.1）；y1'=max（0，y
1-（y
2-y1）*0.1）x2'=min（w，x
2-（x
2-x1）*0.1）；y2'=min（h，y2+（y
2-y1）*0.1）其中：w和h分别为手势图片的分辨率的宽和高；x1和y1分别为手势区域左上角对应的横坐标和纵坐标；x2和y2分别为手势区域右下角对应的横坐标和纵坐标。6.根据权利要求1所述的一种基于机器视觉注意力机制的静态手势识别方法，其特征在于，rgb图片格式转换成yuv图片格式的方法为：y=0.257*r+0.504*g+0.098*b+16u=-0.148*r-0.291*g+0.439*b+28v=0.439*r-0.368*g-0.071*b+128
其中：r，g，b分别为rgb图片对应通道的像素值；y，u，v分别为yuv格式图片对应通道的像素值。7.根据权利要求1所述的一种基于机器视觉注意力机制的静态手势识别方法，其特征在于，步骤（5）中训练集输入卷积神经网络中进行网络训练前，随机调整手势图片的亮度、对比度或色度，以提高训练模型的鲁棒性。8.根据权利要求1所述的一种基于机器视觉注意力机制的静态手势识别方法，其特征在于，还包括步骤（8），结合用户实际手势操控习惯，规定车内手势操控区域，提高识别准确率。9.根据权利要求8所述的一种基于机器视觉注意力机制的静态手势识别方法，其特征在于，对步骤（7）得到的概率分数做中值滤波处理，若概率分数大于设定阈值，则认为是有效事件。
技术总结
本发明公开了一种基于机器视觉注意力机制的静态手势识别方法，包括：采用RGB摄像头采集多类别的静态手势图像；再获取手势图片并进行保存，再划分成训练集、验证集和测试集；将手势图片由RGB格式转成YUV格式；以MobileNetV2网络作为网络框架，并加入注意力机制模块，并以类别分类损失函数构建卷积神经分类网络；将训练集输入卷积神经分类网络中进行多次网络训练，待训练完成后将训练模型加载到卷积神经分类网络中，直接采用RGB摄像头实时采集静态手势图像，并将手势图片输入训练模型中进行识别，概率分数最高对应的那个类别即为识别到的手势类别。该方法不额外增加硬件，能大大节省计算开销和提到手势识别率，降低误识率，从而提升用户座舱手势操控功能体验。提升用户座舱手势操控功能体验。提升用户座舱手势操控功能体验。
技术研发人员：袁聪
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：2022.03.31
技术公布日：2022/6/28