为了克服基于传感器等外部设备的手势识别技术^[1-4]成本较高的局限性，基于计算机视觉的手势识别技术成为学者们的重要研究方向。该技术先利用分割算法将手势从复杂的背景中分离，再通过图像描述算法获取手势的统计值来提取特征，如HOG算法^[5]、SIFT算法^[6]、SURF算法^[7]等，之后结合机器学习的分类器，如SVM^[8]、Adaboost^[9]等进行分类。但该技术在复杂场景下鲁棒性差、识别精度低，并且算法设计过程复杂，人工和时间成本较高。近年来，由于卷积神经网络(convolutional neural networks，CNNs)强大的提取特征能力以及CNNs在目标检测领域的快速发展，基于深度学习的手势识别逐渐成为研究趋势。该技术与传统技术相比准确率较高，在复杂环境下具有良好的鲁棒性和灵活性。为了实现快速识别，单阶段目标检测算法被广泛应用于手势识别领域。文献[10]融合YOLO中的定位方法与CNNs的分类方法，提出一种HGDR-Net算法，在NUS-II和Marcel这两个数据集上，平均识别精度分别达到98.65%和99.59%，但识别过程复杂，推理速度较慢；文献[11]利用改进的YOLOv3-tiny-T算法进行手势识别，推理速度虽快，但是识别精度相对较低，平均识别精度为92.24%；文献[12]基于YOLOv3，提出了改进的YOLOv3-tiny手势识别方法，平均识别精度可达97.3%，但该模型复杂度较高，网络模型大小为27.6 MB。虽然现有的改进模型平均识别精度高，但由于高精度模型是以庞大的参数量和复杂的结构为代价，对于算力和存储能力受限的边缘设备而言，无法直接进行部署，并且识别精度和推理速度是一对相互矛盾的参数，高精度模型一般伴随着识别速度慢的问题。

设计高效且轻量的网络体系结构是一种有效的模型压缩和加速方法，并且能够缓解高精度模型无法部署在边缘设备的现象。近年来，出现了大量的轻量化网络模型，并且逐渐地实现了在边缘设备上的部署。例如，ShuffleNetv2^[13]提出了通道分割，并将输入的特征图分成两部分，在加速网络的同时进行特征复用，达到了较好的识别效果；MobileNetv3^[14]使用深度可分离卷积和倒残差结构来构建轻量化网络，但在该模型中过度使用逐点卷积使得识别精度下降；GhostNet^[15]用更少的参数量来提取更多的特征，并使用输出少的非卷积层输出特征，再对输出使用简单的线性操作来生成更多的特征。但轻量化网络由于本身的参数量少，因此相较于高精度模型，提取的特征信息较少，在实际的识别场景中，会存在识别错误或漏检等情况。

为解决上述问题，本文提出了一种MPE-YOLOv5的手势快速识别算法，结合单阶段目标检测模型YOLOv5^[16]和轻量化模型MobileNetv3^[14]，并在此基础上进行改进。经验证，该算法能够在平衡网络模型的检测精度和推理速度的同时，解决高精度模型推理框架复杂和轻量化模型因参数量少而带来的模型精度下降、无法有效识别小目标和大尺度变换目标的问题。

1 传统YOLOv5算法

YOLOv5^[16]是由UitralyticsLLC公司在2020年提出的基于单阶段的目标检测算法，其基本框架由输入、主干网络、瓶颈网络以及预测网络4部分构成。YOLOv5网络模型的输入通过Mosaic方法来丰富数据集。主干网络通过CSPDarknet53结构进行特征提取。瓶颈网络采用“FPN+PANet”双塔结构聚合当前的图像特征：FPN结构自顶向下传递高层的语义特征，对金字塔结构进行语义信息增强；PANet结构是在FPN结构后添加一个自底向上的金字塔结构，对定位信息进行补充，将底层的强定位特征向上传递。最后预测网络将目标进行定位，并利用非极大值抑制NMS对目标分类预测并将结果输出。

传统YOLOv5中包含4个模型：YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x，4个模型的具体结构一致，不同之处在于模型的深度和宽度。其中，YOLOv5s是YOLOv5系列中最小的模型。在复杂场景下的手势识别任务中，YOLOv5s的模型参数量为7.09×10⁶，浮点运算次数F_FLOPs为1.60×10¹⁰，所占的内存大小为13.70 MB。对于计算和存储能力受限的边缘设备来说，其模型大小和计算复杂度仍然较大。此外，内存的读写是十分消耗能量的，加载大框架模型会产生较大的额外开销，影响设备的检测效率。因此，上述的算法适用于在计算能力较强的服务器端上进行检测，对于算力受限的边缘移动设备，本文在原有模型的基础上，提出了一种更加轻量化的快速检测算法，并且以较少的精度损失为代价，较好地平衡了模型的效率和有效性。

2 改进的YOLOv5手势识别算法 2.1 主干网络的轻量化处理

YOLOv5模型的主干网络采用CSPDarknet53结构，该结构参数量较多，约占总参数量的60%，因此为了实现YOLOv5的轻量化设计，对主干网络进行裁剪或替换是网络轻量化首选方案。本文在MobileNet系列模型^{[14, 17-18]}的基础上，构造了轻量化的MBConv模块，并将该模块堆叠，作为YOLOv5的特征提取网络，从而构建一个结构简单、参数量少、对硬件设备算力要求低的轻量化新架构——M-YOLOv5模型。

图 1为MBConv模块的结构图。该结构先由1×1卷积将原来的特征图升维，来获取跨通道信息，之后通过3×3逐层卷积提取每一层的特征，进而获取通道内的空间信息，再经过1×1卷积进行跨通道的信息融合，形成新的特征图。获取新的特征图后，利用SE注意力机制^[19]获取空间权重来优化模型性能，并且当输入与输出通道数相同时，执行逆残差连接，缓解由于网络深度增加而造成的梯度弥散现象。

为了减少深层网络的参数量，本文将第一卷积层CBS中的SiLU非线性激活函数替换为h-swish函数，构造CBH模块，对输入的图像进行特征预提取；在CBH模块之后，将11个MBConv模块堆叠，其中，将卷积步长为1的MBConv模块记为MBConv_1，卷积步长为2的MBConv模块记为MBConv_2。当对特征图进行下采样时，设置MBConv模块的步长为2。为了增加模型对不同尺度目标的灵敏度，在主干网络进行第2次、第3次和第4次下采样时，即在主干网络和瓶颈网络的连接处增加一个MBConv模块，并设置MBConv模块的步长为1，使主干网络对不同尺度目标所提取的特征更多而不影响输出特征图的尺寸大小，减少由于主干网络轻量化对模型带来的负面影响；保留原有模型中的SPPF模块。把上述结构作为YOLOv5主干网络，并保留YOLOv5模型中的其他结构，得到轻量化的M-YOLOv5模型。所构造M-YOLOv5模型的主干网络结构如表 1所示。

2.2 小目标检测与多尺度目标检测的改进

YOLO系列算法^{[16, 20-23]}在基于单阶段的目标检测任务中发挥着重要作用，然而将轻量化后的M-YOLOv5模型直接应用于复杂场景下的手势识别主要存在着几个问题。

首先，由于在M-YOLOv5模型中，对主干网络进行了轻量化处理，与原有模型相比，模型的参数量较少，因此其特征网络提取的特征较少，这将会导致小目标的检测精度下降和错误分类，甚至会出现识别不到目标的情况。其次，当输入为小目标图像时，手势只占特征图的较小部分，其余均为背景信息，经过层次较深的网络多次卷积后，背景信息迭代会产生大量的冗余，淹没有效信息，从而导致小目标检测精度下降。因此，本文通过一种有效通道注意力机制(efficient channel attention，ECA)^[24]获取跨通道信息，使模型能够更加精确地定位感兴趣的区域并对小目标进行识别，其结构如图 2所示。

如图 2所示，ECA主要分为两个步骤。第一步是通道信息的获取。对输入的特征图进行全局平均池化，池化后的特征图维度从W×H×C被压缩为1×1×C，那么每个通道都有对应的权值。第二步是通道信息特征图的生成。将维度为1×1×C的特征向量进行1×1卷积，并经过Sigmoid非线性激活函数，得到每个通道的权值。最后将权值作用于特征图上，使用残差连接将其与输入的特征图相乘，使得大权值所对应的特征图输出值更大，这样模型便能够更精确地定位感兴趣的区域。

本文为了精确定位小目标，提升小目标的检测精度，在输入与输出通道数不同的MBConv模块之前集成ECA注意力机制模块，并与瓶颈网络相连接，不仅减少了由于背景信息迭代而引起的有效信息丢失，也缓解了由于特征通道数增加而导致的高层信息丢失的现象。

此外，在实际手势识别与检测场景下，当手势与用于识别的摄像头距离变化较大时，将使得目标比例变化较为剧烈，即产生大尺度方差。感受野是CNNs每一层输出特征图上的像素点在输入特征图上映射的区域大小, 当特征图尺度越大时, 其感受野越小, 即代表在特征图中的映射区域越小, 在目标检测任务中可以检测到原图像较小的目标。因此针对大尺度方差问题, 在原有的预测网络基础上, 增加一个针对微小目标的检测层, 使得当输入特征图的尺寸为640×640时, 输出为4个不同尺度的特征图, 这样能够有效地利用浅层的信息, 对小目标的检测更加敏感。

由于增加了检测层，需要对检测的锚框进行重新配置，锚框的配置如表 2所示。

整合以上改进方案，整体的网络结构如图 3所示。

2.3 边界框损失函数的改进

在对CNNs进行训练时，当模型对目标预测得越准确，损失函数值越小，模型的鲁棒性也越好。YOLO系列模型的损失函数包含置信度损失函数L_object、边界框损失函数L_box和分类损失函数L_class三类损失，因此YOLO系列模型的损失函数为3个损失加权求和所得，如式(1)所示：

$ L=a \cdot L_{\text {object }}+b \cdot L_{\mathrm{box}}+c \cdot L_{\text {class }} $

(1)

式中，YOLOv5的默认值为a=0.7、b=0.05和c=0.3，边界框损失函数为CIoU^[25]，即L_box=L_CIoU，当边界框预测越准确时，L_box=L_CIoU将越小，模型的性能也越好。

CIoU损失函数在DIoU损失函数^[25]的基础上，增加了影响因子αυ，将预测锚框与真实锚框的交并比损失L_IoU=1－I_U、预测锚框与真实锚框的中心点距离损失L_dis=ρ²(b, b_gt)/c²和横纵比损失L_asp=αυ考虑在内，CIoU函数的数学表达式如式(2)^[25]所示:

$ \begin{aligned} L_{\mathrm{CIoU}}= & L_{\mathrm{IoU}}+L_{\mathrm{dis}}+L_{\mathrm{asp}}= \\ & 1-I_{\mathrm{U}}+\frac{\rho^2\left(b, b_{\mathrm{gt}}\right)}{c^2}+\alpha v \end{aligned} $

(2)

其中，式(2)的各变量如式(3)~(5)所示：

$ I_{\mathrm{U}}=\left|\frac{B \cap B_{\mathrm{gt}}}{B \cup B_{\mathrm{gt}}}\right| $

(3)

$ v=\frac{4}{\pi^2}\left(\arctan \frac{w_{\mathrm{gt}}}{h_{\mathrm{gt}}}-\arctan \frac{w}{h}\right)^2 $

(4)

$ \alpha=\frac{v}{\left(1-I_{\mathrm{U}}\right)+v} $

(5)

式中: B和B_gt分别为预测锚框和真实锚框，c为外界矩形框的对角线长度，ρ为预测锚框和真实锚框的中心点距离，b和b_gt分别为预测锚框和真实锚框的中心点，h和w分别为预测锚框的高度和宽度，h_gt和w_gt分别为真实锚框的高度和宽度。

式(3)中，I_U为预测锚框和真实锚框的交并比，即两锚框的最大重叠区域，因此I_U值越大，说明2个锚框的重叠度越高，即I_U → 1，则L_IoU=1－I_U→0；式(4)中，υ为预测锚框和真实锚框的宽高比相似度，其用类似均方差的形式来表示，υ越小，2个锚框的宽高比的相似度越高；式(5)中，α为υ的权重函数，其根据I_U和υ的值来调节，若预测锚框B与真实锚框B_gt重叠区域小，则υ的影响较小，重点调整B和B_gt之间距离，反之，若B和B_gt的重叠区域大，则υ的影响大，那么重点调整B和B_gt的纵横比。

但υ映射的是宽高比相似度的差异，是一个相对值，而不是宽高比与其置信度的差异。针对这一问题，文献[26]提出了EIoU边界框损失函数，该函数在CIoU函数的基础上，将影响因子αυ拆分为宽度和高度的损失值，分别计算真实锚框与预测锚框的长宽，如式(6)^[26]所示：

$ L_{\text {asp }}=\frac{\rho^2\left(w, w_{\mathrm{gt}}\right)}{c_w^2}+\frac{\rho^2\left(h, h_{\mathrm{gt}}\right)}{c_h^2} $

(6)

式中: c_w为外界矩形框的宽度，c_h为外界矩形框的高度。

将YOLOv5中使用的CIoU边界框损失函数替换为EIoU损失函数，即使L_box=L_EIoU，延续CIoU函数中的损失约束，并且将影响因子αυ拆分为宽度和高度的损失值，直接使得预测锚框和真实锚框的宽高差值最小，模型在训练时损失函数的收敛速度更快，更有助于模型在学习的过程中降低损失值，提高定位精度，从而提高模型的识别精度。

3 实验结果和分析 3.1 实验环境与数据集

本文所有实验均在操作系统Windows11下执行，处理器为Intel^® Core^TMi7-11800HQ CPU@2.30 GHz，32 GB运行内存，显卡为NVIDA GeForce RTX 3070。本文基于深度学习框架PyTorch1.10，搭建的软件环境为Anaconda3.0、PyCharm2021.3、Python3.8，GPU加速软件为CUDA11.4和CUDNN8.2。

由于现有的关于小目标手势数据集有限，本文提出了由个人采集并制作的26类复杂背景小目标手势数据集^[27]，包括如下步骤：1)采集手势图像, 通过移动设备拍摄手势图像并进行整理分类，对其进行标签标注，所述手势类别包括A~Z的26种手势；2)拼接图像构建大尺度方差的小目标数据集。所述小目标手势样本标注示例如图 4所示。

如图 4所示，构建大尺度方差的小目标数据集的具体步骤为：1)随机选定4张样本进行拼接，拼接方式选用对角拼接；2)提取出4张手势样本高度和宽度的像素值，根据提取出的相对像素进行缩放，使得高像素样本所占图像比例较大，低像素样本所占图像比例较小，并确定出合并后大图的像素；3)确定拼接中心点，4张样本各选一个顶点拼接，即左上样本的右下角、右上样本的左下角、左下样本的右上角和右下样本的左上角；4)新建一个空的大图，将各个小样本进行填充，构建大尺度方差的小目标样本。

自制大尺度方差的小目标数据集较为合理地模拟了变化剧烈的目标比例，拼接后一共有11 140个小目标手势样本，包含26种手势，由54个人员组成。为了验证该数据集的均衡性和有效性，本文对该自制数据集进行可视化，结果见图 5。

由图 5(a)可知，自制小目标手势数据集基本符合均衡性要求，更有助于提高目标检测算法的效率。由图 5(b)、(c)可知，各个手势样本的中心点分布较为均匀，并且以小目标手势样本占大多数。验证了该数据集的有效性。

在本文的实验中，手势数据集按照6∶ 2∶ 2比例划分为训练集、验证集和测试集。输入模型的手势图像尺寸为640×640，模型训练迭代次数为200，批处理大小为16，初始和最终学习率分别为0.01和0.1，权重衰减率为0.000 5，动量因子为0.937，优化器为SGD。本实验将对网络模型训练结果、可视化结果、算法对比结果和消融实验结果进行分析，以验证所提出MPE-YOLOv5算法的有效性和可行性。

3.2 评价指标

本文的目的是在保证模型检测精度和速度的同时，减少模型的训练时间和模型大小。因此，通过以下的评价指标验证模型的性能，其中包括效率(即计算复杂度F_FLOPs、模型参数量P_param、模型大小W_size和每秒检测帧数F_frame)和有效性(即精确度P、回召率R、平均精度P_MA和精度密度D_mAP)，以下具体说明各个评价指标的定义，具体检测指标定义如表 3所示。

准确率P为预测为正的正样本与所有预测为正样本的比值，如式(7)所示：

$ P=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}} $

(7)

召回率R为预测为正的正样本与所有正样本的比值，如式(8)所示：

$ R=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{N}}} $

(8)

P_A为P-R曲线与坐标轴包围的面积，模型性能的好坏影响着面积的大小，当P-R曲线所包围的面积越大时，即当曲线越靠近(1, 1)坐标时，模型的性能越好。P_MA为所有分类P_A的平均值，当P_MA越大，则算法的检测效果越好，P_A和P_MA分别如式(9)、式(10)所示：

$ P_{\mathrm{A}}=\int_0^1 P(R) \mathrm{d} R $

(9)

$ P_{\mathrm{MA}}=\frac{\sum\nolimits_{q=1}^Q P_{\mathrm{A}}(q)}{Q} $

(10)

式中Q为目标类别数量。

精度密度D_mAP^[28]为平均精度与模型参数的比值，该值越高，模型的检测效率越高，如式(11)所示：

$ D_{\mathrm{mAP}}=\frac{P_{\mathrm{MA}}}{P_{\mathrm{param}}} $

(11)

3.3 实验结果与分析 3.3.1 训练结果与分析

MPE-YOLOv5算法在测试集中各类别的有效性检测结果如表 4所示。由表 4可知，MPE-YOLOv5算法的精准率P、召回率R和平均精度P_MA分别达到94.5%、91.1%、97.2%，能够有效地实现在复杂场景下的手势识别和分类。

如图 6所示为训练MPE-YOLOv5模型后在测试集上所得到P-R曲线。从图 6可得，该网络模型的性能良好。

训练的模型对26种手势检测识别效果如图 7所示。可以看出，该算法能够准确检测出测试集上的A~Z的26种手势，并且能够实现左右手识别以及多手势目标识别，在复杂场景下有较好的鲁棒性。

图 8所示分别为轻量化模型M-YOLOv5和本文所提出的改进模型MPE-YOLOv5的训练损失值对比曲线。

从图 8(a)中可知，在训练迭代次数为0到25轮时，2个模型的边界框损失值接近，随着训练迭代次数的增加，MPE-YOLOv5的边界框损失优于M-YOLOv5；从图 8(b)中可知，在训练迭代次数为0到10轮时，2个模型的分类损失值大致相同，随着训练迭代次数的增加，虽然2个模型的分类损失都收敛于0.21，但MPE-YOLOv5的收敛速度明显较快；从图 8(c)中可知，MPE-YOLOv5的置信度损失值优于M-YOLOv5，并且收敛于0.006。因此，本文所提出的MPE-YOLOv5网络模型能够较好地改善M-YOLOv5由于轻量化而带来的负面影响。

为充分验证MPE-YOLOv5的有效性和鲁棒性，将网络模型在开源手势数据集NUS-Ⅱ^[29]上进行训练、验证与测试。NUS-Ⅱ数据集中包含字母A~J这10类手势，每个类别各有200张复杂背景图像和75张人为干扰图像，共2 750张图像。为了避免训练过程中出现过拟合，使用平移、镜像、增加噪声、调节亮度、裁剪等方法进行数据增强，最终的数据集样本大小为13 750张，并按照6∶ 2∶ 2的比例划分训练集、验证集和测试集。

MPE-YOLOv5算法在NUS-Ⅱ测试集上的检测结果分别见表 5和图 9。

表 5、图 9表明，在复杂场景下，MPE-YOLOv5算法能够忽略光线明暗、局部手部遮挡、手脸重叠等对手势识别所带来的干扰，实现对手势特征的提取，检测的过程中能够聚焦手势并且准确识别出10种类别，同时也验证了MPE-YOLOv5算法的有效性和鲁棒性。

3.3.2 可视化结果与分析

如图 10所示，依次为YOLOv5、M-YOLOv5、ME-YOLOv5和所提出的新算法MPE-YOLOv5采用Grad-CAM^[30]可视化结果的输出特征图。在检测样本中，包含了4种不同大小的目标手势，分别为大目标手势“K”、中目标手势“Z”、小目标手势“O”和微小目标手势“R”。

如图 10所示，采用经典目标识别模型YOLOv5可以实现对大、中、小和微小4个不同尺寸手势目标的准确识别，在本地CPU上的推理时间为0.850 0 s，其推理时间相对较长；采用轻量化模型M-YOLOv5网络架构对手势目标进行检测时，由于网络的参数量较少，进行特征提取时提取出的特征较少，因此存在不能准确识别和分类的情况。但也由于参数量减少，因此推理速度得到大幅度提升，在本地CPU上的推理时间为0.416 5 s；ME-YOLOv5网络架构缓解了信息丢失的现象，因此在对小目标检测时，精度得到提升，但对微小目标的识别和分类并没有明显改善，虽然定位和识别了微小目标，但对微小目标进行分类时，出现了错误分类的情况。集成注意力机制会使整体网络模型的参数量略微增加，因此推理时间也随之增加，该模型在本地CPU上的推理时间为0.452 4 s。本文所提出的新算法MPE-YOLOv5增加了针对微小目标的检测层，以提升对小目标和微小目标的识别和分类精度，但引入检测层会给网络模型带来更多的参数量，因此推理时间增加，改进模型在本地CPU上的推理时间为0.698 9 s。

3.3.3 算法对比与分析

为验证本文所提出的MPE-YOLOv5网络模型在手势识别中的有效性，将该模型与主流的轻量化网络和经典的YOLO系列网络进行比较实验。该实验以模型复杂度(参数量P_param、计算复杂度F_FLOPs、模型大小W_size)、平均精度P_MA和F_frame作为评价指标。各模型在测试集上的检测结果见表 6。

从表 6中可知，与轻量化网络ShuffleNetv2^[13]、MobileNetv3^[14]、GhostNet^[15]、EfficientNet^[31]和PP-LCNet^[32]相比，除MobileNetv3外，MPE-YOLOv5的模型复杂度最低。同时，在有效性方面，MPE-YOLOv5模型的P_MA均优于表中的5类轻量化网络，相比之下，分别有3.6%、3.0%、1.6%、0.9%和4.4%的提升。而对于MobileNetv3网络，MPE-YOLOv5用较小的模型复杂度代价换取了较高的精度提升。

与YOLO系列网络相比，MPE-YOLOv5的推理速度相较于经典的YOLOv3、YOLOv4和YOLOv5网络分别提高了1.66倍、1.48倍和1.10倍。MPE-YOLOv5与原有的YOLOv5算法相比，平均精度仅低2.2%，但参数量、计算复杂度和模型大小明显下降，在效率方面得到一定的提升。

如表 7所示，将近3年来所提出的轻量化手势识别算法与本文所提出的MPE-YOLOv5算法进行比较。

现有的轻量化手势识别算法主要以单阶段的目标检测模型为总体框架，结合各种轻量化方法，设计出轻量化的手势识别网络体系。由于各个模型是在不同的硬件设备上对不同的数据集进行测试的，因此推理速度不具有参考性。但总体来看，本文所提出的MPE-YOLOv5网络能够在较低的模型复杂度下，实现准确的手势识别与分类。

综上所述，MPE-YOLOv5网络可以较好地平衡算法的有效性与效率。

3.3.4 消融实验结果与分析

为了分析不同改进点对网络模型性能的影响，本文进行了消融实验，实验结果如表 8所示。其中，主干网络轻量化、增加检测层、集成注意力机制、损失函数优化分别对应改进点1、2、3和4。

由表 8可知，对于YOLOv5网络模型，虽然模型检测精度高，平均精度可达99.3%，但由于模型的参数量大，所需的计算复杂度增大，从计算复杂度和模型占用内存的角度来说，都不适合部署在边缘终端设备上。将YOLOv5的特征提取网络轻量化后，效率方面有了较为明显的改善，但效率改善的前提是牺牲有效性。M-YOLOv5相较于YOLOv5而言，平均精度下降了9.97%，但由于其模型的参数量减少为原来的19.89%，因此其精度密度是YOLOv5网络模型的4.53倍。

在M-YOLOv5中集成注意力机制模块后，模型的效率基本上没有降低，但ME-YOLOv5的平均精度相较于M-YOLOv5提升了3.58%，并且集成注意力机制模块后的推理时间并不会受到影响，与原来的M-YOLOv5模型相同。

本文提出的MPE-YOLOv5网络模型虽然增加了一个检测层给网络模型带来了参数量，与M-YOLOv5相比效率降低了，但通过对网络模型效率的牺牲换取有效性取得了一定的成效，其平均精度与M-YOLOv5相比提升了8.72%，并且相较于YOLOv5，其模型参数量、模型大小和计算复杂度分别是原来的21.16%、25.33%和27.33%，相比之下效率有了明显的提升。YOLOv5和所提出的新算法MPE-YOLOv5平均精度相近，新算法的平均精度损失仅为2.11%。由此也验证了所提出的MPE-YOLOv5算法的可行性。

综上，本文所提出的轻量化MPE-YOLOv5手势识别算法，能够较好地平衡模型精度与推理时间之间的关系。

4 结论

提出了一种面向边缘计算的轻量化MPE-YOLOv5手势识别算法。针对复杂的卷积神经网络模型在边缘终端设备部署困难的问题，对经典单阶段目标检测模型YOLOv5上进行改进。通过测试所提出的新算法，验证了新算法的可行性，并且平衡了模型的有效性和效率。

以自制数据集上的26类手势为例，对所提出的轻量化MPE-YOLOv5算法进行测试，实验结果表明，在复杂场景下，该算法可实现对大尺度变换和小目标的手势识别，平均识别精度可达97.2%，并且轻量化MPE-YOLOv5算法的模型参数量、模型大小和计算复杂度为传统YOLOv5算法的21.16%、25.33%和27.33%，同时平均识别精度较M-YOLOv5算法提升了8.72%。本文所提出的MPE-YOLOv5具备识别精度高、网络模型小、计算复杂度低和推理速度快的特点。

所提出的MPE-YOLOv5针对大尺度变换目标和微小目标的检测增加了检测层，但增加检测层将会给模型带来一定的参数量，使模型复杂度增加。因此，模型的改进应适应场景的变化。例如，当实际的应用场景中小目标或大尺度变换目标较少时，应适当减少检测层的层数，使得网络更加轻量，模型也能够更好地部署在边缘终端上；同理，当小目标和大尺度变换目标较多并且在算力良好的硬件设备上进行检测时，适当增加检测层的层数，能够使得模型对目标的检测更加精确。

以手势识别为例进行了实验，验证了算法的效率和有效性，但所提出的算法并不仅仅局限于车牌识别、行人识别、人脸识别等目标检测场景，同时也为边缘计算场景下的目标跟踪、语义分割、关键点检测、边缘检测等计算机视觉任务的研究提供了一种解决方案。