曾祥强，刘 瑞,2，杨 鑫,2

（1.成都理工大学 地球物理学院，四川 成都 610051；2.成都理工大学 地球勘探与信息技术教育部重点实验室，四川 成都 610051）

0 引 言

手势是人类活动中最为简单的一种非语言交流方式，因其简便直观、目的性强等特点，被广泛应用在人机交互、智能家居、增强现实等领域。例如，华为公司于2019年发布的华为mate30手机可实现“隔空手势握拳”截屏操作；百度AI平台推出手势识别API，可在线识别“拳头”等24种常见手势。

随着计算机硬件能力的提升以及深度学习的不断发展，基于计算机视觉的手势识别成为当下科学研究的重点领域之一。常见的手势数字分类识别技术有深度卷积神经网络、支持向量机、朴素贝叶斯等方法。付天豪等人结合卷积神经网络和支持向量机方法实现了动态手势识别[1]；张行健等以AlexNet结构为基础，构建了13层手势识别卷积神经网络模型[2]；宋京等用Dropout优化后的卷积神经网络提高了手势分类准确率[3]。

本文为证明深度学习在手势数字识别研究领域的有效性，以及实现一种分类效果显著的卷积神经网络模型，使用手势数字数据集，利用Pytorch深度学习平台构建AlexNet、VGG16、ResNet50三种经典卷积神经网络，建立了基于深度卷积神经网络的有效手势数字识别模型，通过测试结果评价指标比较分析，最终发现ResNet50卷积神经网络具有较好的分类效果。

1 实验数据

本文使用的实验数据为网络公开发布的国外手势数字数据，共计205张图像，包含0～9手势数字。手势数字0～9的表示方法如图1所示。……