1.算法运行效果图预览
(完整程序运行后无水印)
手语How are you，测试识别结果如下：
手语I am fine，测试识别结果如下：
手语I love you，测试识别结果如下：
2.算法运行软件版本
matlab2022a
3.部分核心程序
（完整版代码包含详细中文注释和操作步骤视频）
Dataset = imageDatastore('手语I_Love_you识别测试', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
% 提取输入图像的尺寸
Input_Layer_Size = net.Layers(1).InputSize(1:2);
% 调整图像大小以适应模型输入
Resized_Dataset = augmentedImageDatastore(Input_Layer_Size ,Dataset);
[Predicted_Label, Probability] = classify(net, Resized_Dataset);
Predicted_Label
figure;
for i = 1:length(Predicted_Label)
label = Predicted_Label(i);
I = imread(Resized_Dataset.Files{i});
if i==1
subplot(3,4,i);
imshow(I)
title(string(label) + ", " + num2str(100*max(Probability((i), :)), 3) + "%");
end
if i>1 & i<=5
subplot(3,4,i+3);
imshow(I)
title(string(label) + ", " + num2str(100*max(Probability((i), :)), 3) + "%");
end
if i>5
subplot(3,4,i+3);
imshow(I)
title(string(label) + ", " + num2str(100*max(Probability((i), :)), 3) + "%");
end
end
178
4.算法理论概述
基于GoogleNet深度学习网络的手语识别算法，是一种利用卷积神经网络（Convolutional Neural Networks, CNN）来识别手语手势的方法。GoogleNet，也被称为Inception v1，是2014年在ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 上取得优异成绩的一种CNN架构。它引入了Inception模块，这是一种设计用来增加网络的宽度同时保持计算效率的设计。
GoogleNet的核心是Inception模块，每个模块由一系列并行的卷积层组成，这些卷积层有不同的感受野大小（例如1x1, 3x3, 5x5）。这种多尺度处理方式允许网络在同一层级上捕获不同级别的特征。此外，1x1卷积层被用来减少输入到较大卷积层之前的通道数，从而减少了计算量。
在训练过程中，一般采用交叉熵损失（Cross-Entropy Loss），用于衡量预测概率分布与真实标签之间的差异。对于单个样本xi及其对应的真实标签yi，其损失函数定义为：
