matlab和cnn实现手势识别,基于tensorflow的手势检测和手势识别分类

创新实训项目：目的是在手机端实现用户手势的检测并且识别用户所做的手势

遇到的问题：

首先在手部检测的解决办法中，我尝试过用opencv进行手部识别，但存在的问题是背景对手的识别的影响太大，如果采用颜色进行手和背景的区分的话，又会受到光照等影响，总体而言效果不好。

之后转向使用机器学习方法进行识别。

在寻找可用的手部检测的代码中花了很长时间，试了几个github上的项目因为种种问题不能运行。

考虑过使用openpose框架进行手部的识别，虽然准确度高但是很吃GPU，所以希望寻找对性能要求低的模型进行改进。

最终在  这里  找到了通过卷积神经网络训练后的可用的手识别的项目。

下面是改编和使用该项目，并且在其基础上进行手势分类的过程：

一.对 这里 项目进行的改进

1.首先由于要取识别出来的手部图片进行图片分类操作，先将 config.py 文件中的 DEMO_TYPE 设置为DEMO_TYPE = 'MULTI'

就可以显示出如图图片

2.接着将上图的左右两个图片的输出改为单一图片输出

在 run_demo_hand_with_tracker.py 中 将main方法中 if ('multi')分支中的imshow语句更改为cv2.imshow('local_img', local_img.astype(np.uint8))

即取消了list的合并

3.运行run_demo_hand_with_tracker.py，保存当前手势图片

在上述imshow方法下面加上保存图片的语句cv2.imwrite('你的路径'+'.jpg', local_img.astype(np.uint8), [int(cv2.IMWRITE_JPEG_QUALITY), 90])

即可在输出文件夹中得到类似下面的图片集

4.自行录入多种手势进行训练

在这里我录入了6种手势

每种手势600多张，一共4038张的图片作为数据集进行手势分类的训练

数据集被我保存在项目目录下的 classify -- handGesturePic目录下，共6个子目录

二.对上述数据集进行分类操作

1.搭建cnn网络

学习参考 点击打开链接 这篇博客的花图片的分类

具体实现代码  classmain.py ：# -*- coding: utf-8 -*-

from skimage import io, transform

import glob

import os

import tensorflow as tf

import numpy as np

import time

path = './handGesturePic/'

# 模型保存地址

model_path='./modelSave/model.ckpt'

# 将所有的图片resize成100*100

w = 100

h = 100

c = 3

# 读取图片

def read_img(path):

cate = [path + '/' + x for x in os.listdir(path) if os.path.isdir(path + '/' + x)]

imgs = []

labels = []

for idx, folder in enumerate(cate):

print('reading the images:%s' % (folder))

for im in glob.glob(folder + '/*.jpg'):

img = io.imread(im)

img = transform.resize(img, (w, h))

imgs.append(img)

labels.append(idx)

return np.asarray(imgs, np.float32), np.asarray(labels, np.int32)

data, label = read_img(path)  # data 4038*(100,100,3)  label 4038个0~5

# 打乱顺序

num_example = data.shape[0]  # 4038

arr = np.arange(num_example)  # [ 0 1 2 ... 4037]

np.random.shuffle(arr)  # 将arr乱序

data = data[arr]

label = label[arr]

# 将所有数据分为训练集和验证集

ratio = 0.8

s = np.int(num_example * ratio)

x_train = data[:s]

y_train = label[:s]

x_val = data[s:]  # 验证集

y_val = label[s:]

# -----------------构建网络----------------------

# 占位符

x = tf.placeholder(tf.float32, shape=[None, w, h, c], name='x')

y_ = tf.placeholder(tf.int32, shape=[None, ], name='y_')

# 100×100×3->100×100×32->50×50×32->50×50×64->25×25×64->25×25×128->12×12×128->12×12×128->6×6×128

def inference(input_tensor, train, regularizer):  # regularizer = tf.contrib.layers.l2_regularizer(0.0001)

'''

tf.nn.conv2d(input, filter, strides(步长，一般为1 ：[1, 1, 1, 1]), padding, use_cudnn_on_gpu=None, data_format=None, name=None)

input的张量[batch, in_height, in_width, in_channels]

过滤器 / 内核张量 [filter_height, filter_width(filter大小), in_channels(输入通道), out_channels(输出通道)]

执行以下操作：

展平filter为一个形状为[filter_height * filter_width * in_channels, output_channels]的二维矩阵。

从input中按照filter大小提取图片子集形成一个大小为[batch, out_height, out_width, filter_height * filter_width * in_channels]的虚拟张量。

循环每个图片子集，右乘filter矩阵。

'''

with tf.variable_scope('layer1-conv1'):

conv1_weights = tf.get_variable("weight", [5, 5, 3, 32], initializer=tf.truncated_normal_initializer(stddev=0.1))

conv1_biases = tf.get_variable("bias", [32], initializer=tf.constant_initializer(0.0))

conv1 = tf.nn.conv2d(input_tensor, conv1_weights, strides=[1, 1, 1, 1], padding='SAME')

# 当padding=SAME时，输入与输出形状相同

relu1 = tf.nn.relu(tf.nn.bias_add(conv1, conv1_biases))

with tf.name_scope("layer2-pool1"):

pool1 = tf.nn.max_pool(relu1, ksize=[1,2,2,1],strides=[1,2,2,1],padding="VALID")

with tf.variable_scope("layer3-conv2"):

conv2_weights = tf.get_variable("weight", [5, 5, 32, 64], initializer=tf.truncated_normal_initializer(stddev=0.1))

conv2_biases = tf.get_variable("bias", [64], initializer=tf.constant_initializer(0.0))

conv2 = tf.nn.conv2d(pool1, conv2_weights, strides=[1, 1, 1, 1], padding='SAME')

relu2 = tf.nn.relu(tf.nn.bias_add(conv2, conv2_biases))

with tf.name_scope("layer4-pool2"):

pool2 = tf.nn.max_pool(relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')

with tf.variable_scope("layer5-conv3"):

conv3_weights = tf.get_variable("weight", [3, 3, 64, 128], initializer=tf.truncated_normal_initializer(stddev=0.1))

conv3_biases = tf.get_variable("bias", [128], initializer=tf.constant_initializer(0.0))

conv3 = tf.nn.conv2d(pool2, conv3_weights, strides=[1, 1, 1, 1], padding='SAME')

relu3 = tf.nn.relu(tf.nn.bias_add(conv3, conv3_biases))

with tf.name_scope("layer6-pool3"):

pool3 = tf.nn.max_pool(relu3, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')

with tf.variable_scope("layer7-conv4"):

conv4_weights = tf.get_variable("weight",[3,3,128,128],initializer=tf.truncated_normal_initializer(stddev=0.1))

conv4_biases = tf.get_variable("bias", [128], initializer=tf.constant_initializer(0.0))

conv4 = tf.nn.conv2d(pool3, conv4_weights, strides=[1, 1, 1, 1], padding='SAME')

relu4 = tf.nn.relu(tf.nn.bias_add(conv4, conv4_biases))

with tf.name_scope("layer8-pool4"):

pool4 = tf.nn.max_pool(relu4, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')

nodes = 6*6*128

reshaped = tf.reshape(pool4,[-1,nodes])

with tf.variable_scope('layer9-fc1'):

fc1_weights = tf.get_variable("weight", [nodes, 1024],

initializer=tf.truncated_normal_initializer(stddev=0.1))

if regularizer != None: tf.add_to_collection('losses', regularizer(fc1_weights))

# tf.add_to_collection向当前计算图中添加张量集合

fc1_biases = tf.get_variable("bias", [1024], initializer=tf.constant_initializer(0.1))

fc1 = tf.nn.relu(tf.matmul(reshaped, fc1_weights) + fc1_biases)

if train: fc1 = tf.nn.dropout(fc1, 0.5)

with tf.variable_scope('layer10-fc2'):

fc2_weights = tf.get_variable("weight", [1024, 512],

initializer=tf.truncated_normal_initializer(stddev=0.1))

if regularizer != None: tf.add_to_collection('losses', regularizer(fc2_weights))

fc2_biases = tf.get_variable("bias", [512], initializer=tf.constant_initializer(0.1))

fc2 = tf.nn.relu(tf.matmul(fc1, fc2_weights) + fc2_biases)

if train: fc2 = tf.nn.dropout(fc2, 0.5)

with tf.variable_scope('layer11-fc3'):

fc3_weights = tf.get_variable("weight", [512, 6],

initializer=tf.truncated_normal_initializer(stddev=0.1))

if regularizer != None: tf.add_to_collection('losses', regularizer(fc3_weights))

fc3_biases = tf.get_variable("bias", [6], initializer=tf.constant_initializer(0.1))

logit = tf.matmul(fc2, fc3_weights) + fc3_biases

return logit

# ---------------------------网络结束---------------------------

regularizer = tf.contrib.layers.l2_regularizer(0.0001)  # 返回一个执行L2正则化的函数.在损失函数上加上正则项是防止过拟合的一个重要方法

logits = inference(x, False, regularizer)

# (小处理)将logits乘以1赋值给logits_eval，定义name，方便在后续调用模型时通过tensor名字调用输出tensor

b = tf.constant(value=1, dtype=tf.float32)

logits_eval = tf.multiply(logits, b, name='logits_eval')

loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=y_)

train_op = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)

correct_prediction = tf.equal(tf.cast(tf.argmax(logits, 1), tf.int32), y_)

# tf.equal Returns:A `Tensor` of type `bool`.

# tf.cast :Casts a tensor to a new type. Returns:A `Tensor` or `SparseTensor` with same shape as `x`.(shape相同只改变type)

acc = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# 定义一个函数，按批次取数据

def minibatches(inputs=None, targets=None, batch_size=None, shuffle=False):

assert len(inputs) == len(targets)

if shuffle:

indices = np.arange(len(inputs))

np.random.shuffle(indices)

for start_idx in range(0, len(inputs) - batch_size + 1, batch_size):

if shuffle:

excerpt = indices[start_idx:start_idx + batch_size]

else:

excerpt = slice(start_idx, start_idx + batch_size)

yield inputs[excerpt], targets[excerpt]

# 训练和测试数据，可将n_epoch设置更大一些

n_epoch=10

batch_size=64

saver=tf.train.Saver()

sess=tf.Session()

sess.run(tf.global_variables_initializer())

for epoch in range(n_epoch):

start_time = time.time()

# training

train_loss, train_acc, n_batch = 0, 0, 0

for x_train_a, y_train_a in minibatches(x_train, y_train, batch_size, shuffle=True):

_, err, ac = sess.run([train_op,loss,acc], feed_dict={x: x_train_a, y_: y_train_a})

train_loss += err

train_acc += ac

n_batch += 1

print("----------------epoch: %f-------------------" % epoch)

print("   train loss: %f" % (np.sum(train_loss) / n_batch))

print("   train acc: %f" % (np.sum(train_acc) / n_batch))

# validation

val_loss, val_acc, n_batch = 0, 0, 0

for x_val_a, y_val_a in minibatches(x_val, y_val, batch_size, shuffle=False):

err, ac = sess.run([loss,acc], feed_dict={x: x_val_a, y_: y_val_a})

val_loss += err

val_acc += ac

n_batch += 1

print("   validation loss: %f" % (np.sum(val_loss) / n_batch))

print("   validation acc: %f" % (np.sum(val_acc) / n_batch))

print('\n')

saver.save(sess, model_path)

sess.close()

注意在最后一层全连接输出中(layer11-fc3)，要根据你所要分类的类别数目更改输出的维度，在这里我设置成了6

代码中的n_epoch变量控制整个训练集训练的轮数，我设置成了10(训练的硬件环境为1080ti，因为数据量小，用时大约5分钟)

十轮训练之后，准确率如下

在训练集中准确率为100%，在测试集中为98.3%

分类的模型参数保存在项目目录下的 classify -- modelSave 中

2.使用上述训练后的模型进行手势识别分类

useClassifyModel.pyfrom skimage import io,transform

import tensorflow as tf

import numpy as np

path1 = "./storePic/5.jpg"

path2 = "./storePic/7.jpg"

path3 = "./storePic/102304.jpg"

path4 = "./storePic/12034.jpg"

path5 = "./storePic/ok.jpg"

path6 = "./storePic/2.jpg"

dict = {0:'5',1:'7',2:'12034',3:'ok',4:'102304',5:'2'}

w=100

h=100

c=3

def read_one_image(path):

img = io.imread(path)

img = transform.resize(img,(w,h))

return np.asarray(img)

with tf.Session() as sess:

data = []

data1 = read_one_image(path1)

data2 = read_one_image(path2)

data3 = read_one_image(path3)

data4 = read_one_image(path4)

data5 = read_one_image(path5)

data6 = read_one_image(path6)

data.append(data1)

data.append(data2)

data.append(data3)

data.append(data4)

data.append(data5)

data.append(data6)

saver = tf.train.import_meta_graph('./classify/modelSave/model.ckpt.meta')

saver.restore(sess,tf.train.latest_checkpoint('./classify/modelSave/'))

graph = tf.get_default_graph()

x = graph.get_tensor_by_name("x:0")

feed_dict = {x:data}

logits = graph.get_tensor_by_name("logits_eval:0")

classification_result = sess.run(logits,feed_dict)

# 打印出预测矩阵

print(classification_result)

# 打印出预测矩阵每一行最大值的索引

print(tf.argmax(classification_result, 1).eval())

# 根据索引通过字典对应花的分类

output = []

output = tf.argmax(classification_result, 1).eval()

for i in range(len(output)):

print("第",i+1,"个手势预测:"+dict[output[i]])

输出结果

可以看到预测跟输入的图片对应是十分准确的

完整的项目代码在 我的github 中