Angesichts der aktuellen Probleme mit niedriger Erkennungsrate, langsamer Erkennungsgeschwindigkeit und dem Bedarf großer Datenmengen für Deep-Learning-Netzwerke bei 3D-Lichtfeld-Gesteninteraktionen schlägt dieser Artikel eine Methode vor, die Genauigkeit der 3D-Lichtfeld-Interaktion mithilfe eines Multi-Layer-Perzeptron-(MLP)-Netzwerks basierend auf Hand-Schlüsselpunktdaten aus kleinen Stichproben zu verbessern. Die Erkennungsgeschwindigkeit erreicht Millisekunden-Niveau. Während der Erfassung der Hand-Schlüsselpunkte gibt es signifikante Unterschiede in den dreidimensionalen Daten derselben Geste, die an verschiedenen Positionen gesammelt wurden. Um diese Unterschiede zu beseitigen, wird in diesem Artikel vorgeschlagen, dieselbe Geste im selben rechten kartesischen Koordinatensystem durch Verschiebung und Rodrigues-Rotationsformel auf das vereinfachte Gestenmodell posenormalisiert zu transformieren. Ein MLP-Neuronales Netzwerk wird verwendet, um Handmerkmale aus den normalisierten Sprungbeziehungen der Hand-Schlüsselpunkte zu extrahieren. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode bei der einfachen Gestenerkennung in der 3D-Lichtfeld-Interaktion eine Genauigkeit von über 95 % und bei komplexen Gesten eine Genauigkeit von über 90 % erreicht. Gleichzeitig zeigt die Methode bei Training mit kleinen Stichprobendatensätzen hervorragende Leistungen und erfüllt die Anforderungen an eine präzise und schnelle Gestenerkennung. Abschließend wird die erfolgreiche Anwendung der vorgeschlagenen Methode in einem 3D-Lichtfeld-Interaktionsszenario demonstriert.

Interaktion;Gestenerkennungsklassifikation;Multi-Layer-Perzeptron;kleine Stichprobendatensätze