傳統(tǒng)的手勢識別方法主要有兩種：基于數(shù)據(jù)手套的手勢識別方法、基于計(jì)算機(jī)視覺的手勢識別方法。
而基于計(jì)算機(jī)視覺的手勢識別方法以其不依賴于設(shè)備，更自然的人機(jī)交互效果，更好的沉浸感成為當(dāng)今研究的熱點(diǎn)?；谟?jì)算機(jī)視覺手勢識別從攝像機(jī)中得到手勢圖像信息，經(jīng)過適當(dāng)?shù)臄?shù)據(jù)預(yù)處理之后從圖像中分割出手勢，對分割得到的手勢進(jìn)行特征提取后，利用已經(jīng)建立好的手勢模板進(jìn)行分類。

　　傳統(tǒng)的分類方式有模板匹配、基于指尖檢測方法等，但這些方法都需要人工從圖像提取出目標(biāo)特征，編寫模板來匹配。隨著深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)被提出，基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（DNN）的手勢識別也應(yīng)運(yùn)而生，這種手勢識別算法相比于傳統(tǒng)手勢識別算法在各個(gè)方面均有非常大的優(yōu)勢。

　　深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的工作方式來自于同人腦視覺機(jī)理的類比學(xué)習(xí)，這種從原始輸入開始向更高層次不停抽象迭代的過程賦予了該模型高度抽象的能力，使得深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)能夠非常有效地從大量有標(biāo)簽數(shù)據(jù)中深度提取數(shù)據(jù)的特征信息，充分挖掘數(shù)據(jù)的內(nèi)在屬性和有價(jià)值的表征數(shù)據(jù)，然后組合低層特征為更加抽象的高層特征，而高級特征則是數(shù)據(jù)更高級、更本質(zhì)的描述，由此可以在分類問題上得到更優(yōu)的結(jié)果。

　　眾所周知，VR行業(yè)面臨的一大技術(shù)難題就是海量數(shù)據(jù)的處理，對于手勢識別技術(shù)更是如此，手部有非常多的關(guān)節(jié)，需要非常強(qiáng)的識別能力才可以準(zhǔn)確的識別每個(gè)精細(xì)動(dòng)作。而深度學(xué)習(xí)模型的多隱藏層結(jié)構(gòu)使得模型能有效利用海量數(shù)據(jù)進(jìn)行訓(xùn)練，所使用數(shù)據(jù)越多模型性能越高，非常適合在VR環(huán)境下做手勢識別。

　　基于計(jì)算機(jī)視覺的手勢識別中，傳統(tǒng)算法無法直接有效地從圖像中提取出對目標(biāo)有用的信息。而深度學(xué)習(xí)的學(xué)習(xí)能力卻異常強(qiáng)大，即使是復(fù)雜低分辨率圖像也能夠很好的提取出目標(biāo)深度特征?；贒NN的手勢識別所需的圖像背景并不需要固定，算法甚至在一定范圍內(nèi)允許運(yùn)動(dòng)背景的存在，從而提高了識別的環(huán)境耐受力和精細(xì)度。

| DNN在手勢識別中如何實(shí)現(xiàn)？

　　接下來筆者將介紹一下具體的實(shí)現(xiàn)方法。

　　傳統(tǒng)的識別系統(tǒng)流程大體上可以分成檢測、識別、跟蹤這三個(gè)步驟，具體實(shí)現(xiàn)流程是：傳感器獲取信息，預(yù)處理，特征提取，特征選擇，再到最后的推理、預(yù)測或者識別。通常認(rèn)為最后一部分是屬于機(jī)器學(xué)習(xí)的部分，這部分是整個(gè)系統(tǒng)的精髓所在，它能否從數(shù)據(jù)中學(xué)到有效的知識直接關(guān)系到整個(gè)系統(tǒng)能否按照人們期望的那樣工作，但同時(shí)也存在前期特征提取或者選擇不好的情況，這樣會(huì)影響系統(tǒng)性能。

　　而基于DNN的手勢識別就是讓機(jī)器自己去提取特征，不需要手工特征提取，強(qiáng)大的學(xué)習(xí)能力使得模型在復(fù)雜背景下也能取得理想效果，其手勢識別過程如下：

　　首先創(chuàng)建手勢識別采集系統(tǒng)，做運(yùn)動(dòng)目標(biāo)檢測，并在檢測的同時(shí)提取出前景的即運(yùn)動(dòng)目標(biāo)的部分信息，獲得手勢圖像。采集到手勢圖像之后根據(jù)不同應(yīng)用場景選擇合適的網(wǎng)絡(luò)協(xié)議，把數(shù)據(jù)傳輸?shù)接?jì)算平臺(tái)利用深度學(xué)習(xí)算法進(jìn)行復(fù)雜背景手勢識別，并最終給出手勢識別結(jié)果。