“基于特征融合注意力模块和特征选择的手势图像分类方法”等3项专利中标结果

本发明公开了一种基于特征融合注意力模块和特征选择的手势图像分类方法。包括如下步骤：1对原始手势图像进行预处理；2将手势图像输入VGG16和ResNet50中，分别获得高阶和低阶特征张量；3将高阶与低阶特征张量同时输入特征融合注意力模块，特征注意力模块包括低阶特征增强模块、高阶特征增强模块和高低阶特征同步增强模块；4将融合后得到的特征张量输入SKNet模块中，得到特征选择后的特征张量；5将特征选择后的特征张量输入分类器中进行分类，得到手势图像的分类结果。本发明使用特征融合注意力模块分别对高阶特征和低阶特征进行增强与融合，得到精确描述手势的特征张量，最终通过特征选择实现对手势图像的精确识别。

本发明公开了一种基于图像信息熵和HOG_SSIM的视频关键帧提取方法。该方法提取视频关键帧分为两个步骤：第一个步骤是通过基于图像信息熵初步提取关键帧，主要通过计算视频中每一帧的图像信息熵，形成熵值曲线图，找到熵值曲线图中的局部极值点，将局部极值点对应的视频帧加入到候选关键帧集合中；第二个步骤是去除候选关键帧集合中的冗余帧，通过结构相似度算法和HOG特征相似度算法对相邻候选关键帧进行筛选，从而去除候选关键帧集合中的冗余帧，完成视频关键帧的提取。

本发明公开了一种基于Xception网络改进的手势图像特征提取方法。对手势采集获得原始手势图像；输入降采样卷积模块和常规卷积模块中降低维度和提取浅层特征；浅层特征张量输入深层特征提取结构提取深层特征，特征金字塔结构融合深层特征提取结构中浅层和深层包含的空间信息和语义信息，融合后通过深度可分离卷积模块进行解耦，再通过压缩激励模块和局部最大池化层；最后经过深度可分离卷积模块、分类模块得分类结果。本发明通过密集深度可分离卷积模块提高手势识别的准确率并减少模型的计算量，特征金字塔结构有助于融合多尺度特征，压缩激励模块能够强化重要特征，抑制次要特征，有效提高手势的识别率。