融合多層卷積特征的雙視點(diǎn)手勢(shì)識(shí)別技術(shù)研究

張 哲，孫 瑾，楊劉濤

(南京航空航天大學(xué) 民航學(xué)院，南京 211106)

1 引 言

隨著智能設(shè)備日益滲入到我們的生活，人們?cè)谙硎苓@些設(shè)備帶來(lái)方便的同時(shí)，如何促進(jìn)人與機(jī)器進(jìn)行更好的“交流”成為智能設(shè)備發(fā)展的目標(biāo)之一.眾多的人機(jī)交互方式中，由于操作的靈巧性，手勢(shì)是使用最廣、用途最多的交互方式，其中基于視覺(jué)的手部交互技術(shù)因?yàn)閷?duì)用戶限制較少，更容易提供一種自然、和諧、智能的交互方式而成為交互技術(shù)的熱門研究領(lǐng)域，在遠(yuǎn)程醫(yī)療、指導(dǎo)機(jī)器人在空間、深海進(jìn)行復(fù)雜作業(yè)等領(lǐng)域也具有潛在的巨大商業(yè)價(jià)值.

基于視覺(jué)的人手交互通過(guò)視頻采集卡、攝像頭等視頻采集設(shè)備獲取運(yùn)動(dòng)人手圖像，根據(jù)圖像信息推斷出手勢(shì)的三維方位指向，完成交互操作.因此，準(zhǔn)確實(shí)現(xiàn)手部交互的過(guò)程，首先要對(duì)手勢(shì)包含的信息進(jìn)行分析，手勢(shì)識(shí)別就成為了關(guān)鍵的步驟.同其他圖像分類方法類似，手勢(shì)識(shí)別方法包括特征提取和特征分類兩大步驟.傳統(tǒng)特征往往依據(jù)先驗(yàn)知識(shí)，由人工設(shè)計(jì)提取圖像特征，如LBP[1](Local Binary Pattern)、HoG[2](Histogram of Oriented Gradient)和SIFT[3](Scale-invariant feature transform)等.單一特征包含的圖像信息有限，而且一個(gè)成熟的特征形成需要很長(zhǎng)時(shí)間的驗(yàn)證與改進(jìn).

最近幾年隨著深度學(xué)習(xí)的挖掘與應(yīng)用，基于深度學(xué)習(xí)框架的分類方法極大提高了圖像識(shí)別的準(zhǔn)確性.自從2012年Alex Krizhevsky[4]利用深度學(xué)習(xí)方法取得ImageNet大賽的冠軍之后，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN )成為了圖像識(shí)別領(lǐng)域的研究熱門.訓(xùn)練好的卷積網(wǎng)絡(luò)模型每一層能自動(dòng)提取大量的圖像特征，將最終提取特征輸入到Softmax層利用交叉熵得到屬于各個(gè)類別的概率.

牛津大學(xué)視覺(jué)幾何組提出的VGGNet[5]結(jié)構(gòu)通過(guò)小尺寸卷積和增加網(wǎng)絡(luò)深度的方法有效提升模型效果.研究表明[6，7]，網(wǎng)絡(luò)層次越深，提取的視覺(jué)特征可分辨性越好，更有利于圖像分類.但加深網(wǎng)絡(luò)會(huì)使網(wǎng)絡(luò)復(fù)雜化，從而增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間和出現(xiàn)“過(guò)擬合”的傾向，為此，GoogLeNet[8]網(wǎng)絡(luò)提出了Inception基本單元，使用不同尺度的卷積核來(lái)增強(qiáng)單層卷積的寬度.同時(shí)為了減少網(wǎng)絡(luò)參數(shù)，每個(gè)Inception單元進(jìn)行特征提取前會(huì)進(jìn)行一次降維，既能大大提升卷積提取特征的能力，又不會(huì)使計(jì)算量提升很多.但是通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，利用GoogLeNet網(wǎng)絡(luò)對(duì)存在“同形異構(gòu)”問(wèn)題(圖1)的單視點(diǎn)手勢(shì)識(shí)別效果不佳.分析其原因，主要由于單視點(diǎn)下容易出現(xiàn)手勢(shì)自遮擋問(wèn)題，使得對(duì)于姿態(tài)較為相近的手勢(shì)識(shí)別誤差較大.同時(shí)最后的全連接層提取的特征，在網(wǎng)絡(luò)傳遞過(guò)程中也丟失了部分淺層網(wǎng)絡(luò)提取的特征信息.

圖1 自遮擋導(dǎo)致的“同形異構(gòu)”手勢(shì)Fig.1 Indistinguishable gestures caused by self-occlusion

針對(duì)以上分析可知，GoogLeNet具有卷積層深度和寬度更大、網(wǎng)絡(luò)參數(shù)更少的優(yōu)點(diǎn).因此本文以GoogLeNet網(wǎng)絡(luò)為基礎(chǔ)，進(jìn)一步提出了一種融合多層卷積特征的雙視點(diǎn)手勢(shì)識(shí)別方法.首先對(duì)雙視點(diǎn)框架下手勢(shì)圖像采集和手勢(shì)分類結(jié)果進(jìn)行融合，降低單一視點(diǎn)下手勢(shì)自遮擋的影響，提高手勢(shì)識(shí)別的準(zhǔn)確性；同時(shí)在每個(gè)視點(diǎn)下，學(xué)習(xí)網(wǎng)絡(luò)融合多層卷積特征以補(bǔ)充深層網(wǎng)絡(luò)在特征提取時(shí)降維造成的信息丟失，增強(qiáng)特征的魯棒性；最后利用支持向量機(jī)代替Softmax邏輯回歸層提高分類效果.

2 GoogLeNet神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種深度前饋人工神經(jīng)網(wǎng)絡(luò)，與普通神經(jīng)網(wǎng)絡(luò)相比，卷積神經(jīng)網(wǎng)絡(luò)包含了一個(gè)由卷積層和池化層構(gòu)成的特征抽取器.其中每一層卷積層包含大量作為神經(jīng)元權(quán)值的卷積核，根據(jù)局部感受野和權(quán)值共享原則對(duì)全局圖像進(jìn)行卷積操作提取特征；池化層也稱為子采樣層，可以看做是一種特殊的卷積過(guò)程，池化層能有效減小特征的分辨率，和卷積層一起大大簡(jiǎn)化模型復(fù)雜度和網(wǎng)絡(luò)參數(shù)數(shù)量.

本文的網(wǎng)絡(luò)框架是基于GoogLeNet網(wǎng)絡(luò).網(wǎng)絡(luò)框架在一般的卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，除了提高網(wǎng)絡(luò)深度以增強(qiáng)網(wǎng)絡(luò)提取特征的泛化性以外，為了減少網(wǎng)絡(luò)參數(shù)，防止出現(xiàn)過(guò)擬合，提出了一種Inception模型單元，如圖2所示.

圖2 Inception單元組成Fig.2 Structure of ′Inception′

Inception單元分別采用1×1、3×3、5×5三種尺寸的卷積層以及一個(gè)3×3的最大值池化層對(duì)輸入層的神經(jīng)元進(jìn)行卷積操作提取更為豐富的特征，提高了卷積網(wǎng)絡(luò)的寬度.為減少5×5的卷積核產(chǎn)生的巨大計(jì)算量，受NIN[9](Network in network)的啟發(fā)，在對(duì)輸入層神經(jīng)元進(jìn)行3×3、5×5卷積操作前先采用1×1的卷積核進(jìn)行降維操作，在保證特征提取性能的同時(shí)成倍數(shù)的降低網(wǎng)絡(luò)參數(shù)，節(jié)約了大量的運(yùn)行時(shí)間.與此同時(shí)，GoogLeNet網(wǎng)絡(luò)整體網(wǎng)絡(luò)深度達(dá)到22層，網(wǎng)絡(luò)越深越容易帶來(lái)梯度消失問(wèn)題，不利于模型優(yōu)化.所以在整個(gè)網(wǎng)絡(luò)不同深度的Inception單元處加上了三個(gè)損失函數(shù)層(如圖3所示)來(lái)保證向前傳導(dǎo)時(shí)梯度不會(huì)消失.

圖3 GoogLeNet網(wǎng)絡(luò)損失函數(shù)層Fig.3 Loss function layer on GoogLeNet

在識(shí)別過(guò)程中，最后提取到的圖像卷積特征通過(guò)全連接層得到分類向量X=[x1,x2,…,xm]，m為類別總數(shù)，再輸入Softmax分類層得到樣本屬于類別i的概率值：

(1)

所以分類結(jié)果為：

(2)

訓(xùn)練時(shí)損失函數(shù)為：

Loss=-logPl

(3)

其中l(wèi)為訓(xùn)練樣本的類別標(biāo)簽.

3 融合多卷積特征的手勢(shì)識(shí)別

本文使用GoogLeNet網(wǎng)絡(luò)作為整個(gè)手勢(shì)識(shí)別框架結(jié)構(gòu)的核心，參考文獻(xiàn)[11]的雙分辨率網(wǎng)絡(luò)結(jié)構(gòu)，提出雙視點(diǎn)下的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).3.1節(jié)介紹了雙視點(diǎn)手勢(shì)識(shí)別方法及多手勢(shì)預(yù)測(cè)結(jié)果的投票機(jī)制，以及利用SVM分類器替代網(wǎng)絡(luò)原有Softmax分類函數(shù)的設(shè)計(jì)方案；3.2節(jié)分析介紹了不同深度網(wǎng)絡(luò)層的特征冗余問(wèn)題以及多層卷積特征融合的問(wèn)題.

3.1 雙視點(diǎn)網(wǎng)絡(luò)框架

前文提到，GoogLeNet網(wǎng)絡(luò)擁有很好的分類識(shí)別性能，但是對(duì)于單視點(diǎn)手勢(shì)圖像來(lái)說(shuō)性能卻遠(yuǎn)未達(dá)到預(yù)期.究其原因，手部自由度高，單視點(diǎn)下會(huì)出現(xiàn)如圖1的手勢(shì)自遮擋問(wèn)題，導(dǎo)致“同形異構(gòu)”手勢(shì)在單視點(diǎn)下的特征差異較小，可分辨性不高，容易出現(xiàn)手勢(shì)誤判.為了減小手勢(shì)自遮擋的影響，本文借鑒文獻(xiàn)[13]提出的正交雙視點(diǎn)布局，如圖4所示，分別從兩個(gè)正交視點(diǎn)C1、C2采集目標(biāo)手勢(shì)s的輸入圖像I(s|C1)、I(s|C2).預(yù)處理后同時(shí)將雙視點(diǎn)圖像分別輸入到單獨(dú)訓(xùn)練的GoogLeNet網(wǎng)絡(luò)模型中進(jìn)行特征提取，得到三層不同深度的卷積特征f1、f2、f3.根據(jù)多卷積特征融合方法(3.2中介紹)對(duì)三個(gè)特征進(jìn)行特征降維和融合，得到最終雙視點(diǎn)下融合特征FC1、FC2.

(4)

圖4 融合多卷積特征的雙視點(diǎn)手勢(shì)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)Fig. 4 Dual-views gesture recognition framework based on the fusion of multi-convolution features

(5)

其中yi表示第i個(gè)類別標(biāo)簽，m為手勢(shì)類別數(shù)量.

在得到兩個(gè)視點(diǎn)下的預(yù)測(cè)向量XC1，XC2后結(jié)合雙視點(diǎn)預(yù)測(cè)向量的結(jié)果，采用絕對(duì)多數(shù)投票法得到最終目標(biāo)手勢(shì)的分類預(yù)測(cè)向量：

R=1-(1-XC1)?(1-XC2)

(6)

“?”表示向量對(duì)應(yīng)元素相乘，依據(jù)概率最大原則得到目標(biāo)手勢(shì)的分類結(jié)果，其中ri為R向量的第i個(gè)分量，即預(yù)測(cè)為第i類的概率：

(7)

3.2 多卷積特征的融合

深度學(xué)習(xí)網(wǎng)絡(luò)為了加強(qiáng)特征提取的泛化性，往往需要層數(shù)很深的卷積網(wǎng)絡(luò).一般來(lái)說(shuō)，深度越深，特征表達(dá)能力越強(qiáng).通常會(huì)選取最后的全連接層特征，即圖4中特征f3，進(jìn)行分類器的訓(xùn)練.但是由于Inception單元在進(jìn)行多尺度卷積核訓(xùn)練時(shí)為了降低參數(shù)量，對(duì)特征輸入層進(jìn)行了降維操作，導(dǎo)致輸入圖像在前向傳播提取特征時(shí)丟失一部分底層特征信息.相關(guān)研究[12]證明了不同卷積層特征之間存在一定的互補(bǔ)性.為了提高深度學(xué)習(xí)網(wǎng)絡(luò)提取特征的魯棒性，本文提出了一種融合不同深度層卷積特征的方法，結(jié)合多層次特征以補(bǔ)充單層卷積特征可能造成的特征信息丟失.

GoogLeNet網(wǎng)絡(luò)共有9個(gè)Inception單元.如圖4所示，本文從淺至深分別選取第3、6、9個(gè)Inception單元的輸出進(jìn)行特征提取，得到三個(gè)不同層次的卷積特征f1、f2、f3.其中特征空間均為1×n維.為了保持融合過(guò)程中特征空間維度不變，同時(shí)忽略特征中的次要成分，本文在特征融合前先對(duì)網(wǎng)絡(luò)提取的卷積特征進(jìn)行主成分分析，并在保證特征正確表示(累計(jì)貢獻(xiàn)率>97%)的前提下對(duì)三個(gè)卷積特征進(jìn)行降維：

φ(f，α)=f*T(：，1：α·n)

(8)

其中f為原特征向量，壓縮率α根據(jù)訓(xùn)練樣本卷積特征的累計(jì)貢獻(xiàn)率確定.T∈Rn×n為根據(jù)樣本集特征得到的映射轉(zhuǎn)化矩陣，降維后特征φ(·，·)空間維度為1×(α·n)進(jìn)行降維串聯(lián)后得到三個(gè)不同層次卷積特征的融合特征為：

F=[φ(f1，α1)，φ(f2，α2)，φ(f3，α3)]

(9)

4 實(shí)驗(yàn)及結(jié)果分析

4.1 實(shí)驗(yàn)數(shù)據(jù)集

本文雙視點(diǎn)安排如圖5所示，數(shù)據(jù)集利用poser建模軟件構(gòu)建20種常用手勢(shì)，如圖6所示.數(shù)據(jù)集中存在多種由于自遮擋導(dǎo)致的“同形異構(gòu)”手勢(shì)，如手勢(shì)5和手勢(shì)6等.

圖5 視點(diǎn)安排Fig.5 Illustration of viewpoint

每一種手勢(shì)根據(jù)人手在空間中的可轉(zhuǎn)動(dòng)范圍，在三維正交軸的三個(gè)方向以一定的角度間隔連續(xù)旋轉(zhuǎn)并從正交雙視點(diǎn)方向進(jìn)行采樣.每種手勢(shì)共有1936種姿態(tài)樣本，從中選取1540組雙視點(diǎn)圖像作為訓(xùn)練樣本集，在其余樣本中再選取220組作為測(cè)試樣本.

圖6 poser建模工具構(gòu)建的20種手勢(shì)Fig.6 20 different types of gestures modeled by the software of poser

4.2 單視點(diǎn)與雙視點(diǎn)對(duì)比實(shí)驗(yàn)

為解決自遮擋問(wèn)題，提高識(shí)別準(zhǔn)確率，本文采用雙視點(diǎn)下的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)實(shí)驗(yàn)對(duì)比單視點(diǎn)和雙視點(diǎn)下每一類手勢(shì)識(shí)別的準(zhǔn)確性，得到如圖7所示的對(duì)比曲線.

可以發(fā)現(xiàn)雙視點(diǎn)框架下能有效的降低單一視點(diǎn)存在的手勢(shì)自遮擋問(wèn)題的影響，明顯提高“同形異構(gòu)”手勢(shì)的整體識(shí)別準(zhǔn)確率.圖7中手勢(shì)9在視點(diǎn)C1下的識(shí)別精度要明顯高于視點(diǎn)C2下的識(shí)別精度，但是在雙視點(diǎn)結(jié)果融合后，其結(jié)果大于C2視點(diǎn)下的識(shí)別精度，卻略小于視點(diǎn)C1下的識(shí)別結(jié)果(雙視點(diǎn)和C1下準(zhǔn)確率分別為96.3636%和97.2727%).結(jié)合手勢(shì)9的測(cè)試樣本和公式(6)分析可知：該手勢(shì)在C1視點(diǎn)下不存在歧義手勢(shì)，隸屬手勢(shì)9類別的置信概率最大，準(zhǔn)確率高，但在C2視點(diǎn)下由于自遮擋造成該手勢(shì)與其他手勢(shì)相似，導(dǎo)致屬于其他手勢(shì)識(shí)別置信概率增大，識(shí)別錯(cuò)誤.本文方法是結(jié)合兩個(gè)視點(diǎn)預(yù)測(cè)向量的結(jié)果，根據(jù)公式(6)在C2視點(diǎn)下錯(cuò)誤類別置信概率增大同時(shí)正確類別置信概率降低會(huì)導(dǎo)致雙視點(diǎn)下的錯(cuò)誤分類，因此出現(xiàn)雙視點(diǎn)識(shí)別率小于視點(diǎn)C1下的識(shí)別率.識(shí)別過(guò)程選擇任一視點(diǎn)都會(huì)出現(xiàn)自遮擋情況，但根據(jù)圖7所示20種手勢(shì)測(cè)試樣本的結(jié)果分析，雙視點(diǎn)識(shí)別網(wǎng)絡(luò)整體識(shí)別準(zhǔn)確率更為穩(wěn)定，能有效降低手勢(shì)在某一單視點(diǎn)下的誤識(shí)別概率.

圖7 單視點(diǎn)結(jié)構(gòu)與雙視點(diǎn)結(jié)構(gòu)效果比較Fig.7 Accuracy comparison between single view and dual-views

4.3 與現(xiàn)有深度學(xué)習(xí)方法對(duì)比實(shí)驗(yàn)

本文的雙視點(diǎn)識(shí)別網(wǎng)絡(luò)是基于GoogLeNet深度學(xué)習(xí)網(wǎng)絡(luò)的改進(jìn).通過(guò)在單視點(diǎn)下與兩種經(jīng)典的深度學(xué)習(xí)網(wǎng)絡(luò)GoogLeNet和Alexnet進(jìn)行識(shí)別效果的比較，驗(yàn)證本文融合多層卷積特征的方法性能.本文的三層特征的壓縮率根據(jù)實(shí)驗(yàn)結(jié)果分別取α1=1/2，α2=3/8，α3=1/8，兩個(gè)視點(diǎn)下的實(shí)驗(yàn)結(jié)果分別如圖8所示.

圖8 不同視點(diǎn)下識(shí)別準(zhǔn)確率比較Fig.8 Accuracy comparison at different viewpoint

從實(shí)驗(yàn)結(jié)果可知，本文提出的融合多卷積特征的識(shí)別方法在自遮擋程度不同的兩個(gè)視點(diǎn)下的整體識(shí)別效果均優(yōu)于GoogLeNet和Alexnet深度識(shí)別網(wǎng)絡(luò)，并且對(duì)于每一類手勢(shì)的識(shí)別結(jié)果波動(dòng)較小，表明對(duì)于單視點(diǎn)下自遮擋嚴(yán)重的手勢(shì)，手勢(shì)特征的可分辨性更好.

4.4 多卷積特征融合實(shí)驗(yàn)

4.3節(jié)驗(yàn)證了本文方法較現(xiàn)有深度學(xué)習(xí)方法的優(yōu)勢(shì)，本節(jié)為充分驗(yàn)證融合特征魯棒性，選取手勢(shì)自遮擋現(xiàn)象嚴(yán)重，“同形異構(gòu)”手勢(shì)較為突出的視點(diǎn)下，通過(guò)實(shí)驗(yàn)驗(yàn)證不同卷積層特征對(duì)識(shí)別準(zhǔn)確度的影響.實(shí)驗(yàn)結(jié)果如表1所示，隨著卷積層數(shù)的加深，手勢(shì)識(shí)別準(zhǔn)確率遞增.而融合后的多卷積特征，在單視點(diǎn)下的效果準(zhǔn)確率要優(yōu)于單一卷積層特征，說(shuō)明了多卷積特征融合具有較強(qiáng)的魯棒性.

表1 單層卷積特征與多層融合特征效果比較Table 1 Accuracy comparisons between single layer feature and fusion feature of multi-layers

4.5 與人工設(shè)計(jì)特征方法對(duì)比實(shí)驗(yàn)

本文與文獻(xiàn)[13]提出的傳統(tǒng)KNN方法和Pareto-Optimality方法進(jìn)行比較驗(yàn)證雙視點(diǎn)下不同識(shí)別方法的性能.三種方法均采用正交雙視點(diǎn)的識(shí)別框架，其中，KNN方法采用串聯(lián)結(jié)構(gòu)，先在一個(gè)視點(diǎn)下進(jìn)行手勢(shì)相似度比較，篩選出一部分相似度較高的手勢(shì)，再與目標(biāo)手勢(shì)在第二個(gè)視點(diǎn)下再進(jìn)行比較，最終得出手勢(shì)識(shí)別結(jié)果.而Pareto-Optimality方法則是雙視點(diǎn)下同時(shí)進(jìn)行特征相似度比較，將識(shí)別匹配問(wèn)題轉(zhuǎn)化為數(shù)據(jù)點(diǎn)集的優(yōu)化問(wèn)題得到手勢(shì)識(shí)別結(jié)果.這兩種方法進(jìn)行比較的手勢(shì)特征均采用人工設(shè)計(jì)的改進(jìn)LBP特征.

圖9 三種手勢(shì)識(shí)別方法準(zhǔn)確率比較Fig.9 Accuracy result of three methods on 20 gesture

與上述兩種方法識(shí)別準(zhǔn)確率對(duì)比結(jié)果如圖9所示.可以看出在同樣的雙視點(diǎn)框架中，本文的方法能明顯提高手勢(shì)識(shí)別的準(zhǔn)確性，證明了多卷積特征相對(duì)于傳統(tǒng)人工設(shè)計(jì)特征具有明顯的優(yōu)勢(shì).

表2 單個(gè)手勢(shì)識(shí)別平均用時(shí)Table 2 Average time cost of three methods on each gesture

傳統(tǒng)KNN方法和Pareto-Optimality方法均屬于在線學(xué)習(xí)的方法，隨著樣本庫(kù)的增大，其識(shí)別的時(shí)間也隨之增加.本文基于深度學(xué)習(xí)的方法屬于離線學(xué)習(xí)方法，只需要提前訓(xùn)練好網(wǎng)絡(luò)模型參數(shù)，在實(shí)際識(shí)別過(guò)程中將目標(biāo)手勢(shì)圖像輸入網(wǎng)絡(luò)即可.即使有新的樣本加入訓(xùn)練集，只需要在原先的網(wǎng)絡(luò)參數(shù)基礎(chǔ)上對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，微調(diào)過(guò)程離線進(jìn)行，不影響在線識(shí)別過(guò)程.在本文相同的實(shí)驗(yàn)環(huán)境(Intel i5-4590，3.30GHz)下，表2給出了目標(biāo)手勢(shì)在三種方法下的平均識(shí)別時(shí)間，可以看出本文方法較傳統(tǒng)方法能有效提高時(shí)間效率.

5 研究結(jié)論

本文在深度學(xué)習(xí)網(wǎng)絡(luò)基礎(chǔ)上提出了一種融合多層卷積特征的雙視點(diǎn)手勢(shì)識(shí)別方法，通過(guò)將不同層的卷積特征進(jìn)行降維，根據(jù)訓(xùn)練樣本特征貢獻(xiàn)率得到的融合特征補(bǔ)充了丟失的部分淺層卷積特征信息，提高了特征的魯棒性.同時(shí)雙視點(diǎn)網(wǎng)絡(luò)結(jié)構(gòu)能有效降低單視點(diǎn)下存在的手勢(shì)自遮擋問(wèn)題的影響，提高識(shí)別精度.基于深度學(xué)習(xí)框架的手勢(shì)識(shí)別方法在運(yùn)算時(shí)間上優(yōu)于基于數(shù)據(jù)庫(kù)查詢的在線學(xué)習(xí)方法，有利于提高手部識(shí)別的時(shí)間效率.