基于CNN的手势姿态估计在手势识别中的应用
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 手势识别概述 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 手势识别 | 第10-12页 |
| 1.3.2 手势姿态估计 | 第12页 |
| 1.3.3 卷积神经网络 | 第12-13页 |
| 1.4 本文研究内容 | 第13-14页 |
| 1.5 本文研究意义 | 第14页 |
| 1.6 本文章节结构 | 第14-15页 |
| 第2章 深度信息的获取 | 第15-25页 |
| 2.1 深度信息 | 第15-17页 |
| 2.2 深度摄像头 | 第17-18页 |
| 2.3 Kinect介绍 | 第18-21页 |
| 2.3.1 Kinect结构 | 第18-19页 |
| 2.3.2 Kinect原理 | 第19-20页 |
| 2.3.3 Kinect规格 | 第20页 |
| 2.3.4 Kinect局限 | 第20-21页 |
| 2.4 开发环境 | 第21-22页 |
| 2.5 深度图像获取 | 第22-25页 |
| 2.5.1 深度信息存储方式 | 第22-23页 |
| 2.5.2 深度图像的获取及采集 | 第23-25页 |
| 第3章 手势分割 | 第25-32页 |
| 3.1 Kinect骨骼追踪 | 第25-27页 |
| 3.2 选取待识别手势帧 | 第27-28页 |
| 3.3 分割手势所在区域 | 第28-29页 |
| 3.4 提取手势深度信息 | 第29-31页 |
| 3.5 手势深度图预处理 | 第31-32页 |
| 第4章 基于卷积神经网络的手势姿态估计 | 第32-42页 |
| 4.1 卷积神经网络理论 | 第32-35页 |
| 4.1.1 卷积神经网络结构 | 第33-34页 |
| 4.1.2 卷积层 | 第34页 |
| 4.1.3 子采样层 | 第34-35页 |
| 4.2 手势姿态估计卷积神经网络结构的确定 | 第35-40页 |
| 4.2.1 手势模型的建立 | 第35-36页 |
| 4.2.2 关键点三维坐标的获取 | 第36-38页 |
| 4.2.3 网络结构的确定 | 第38-40页 |
| 4.3 实验结果及分析 | 第40-42页 |
| 第5章 手势姿态估计在手势识别中的应用 | 第42-49页 |
| 5.1 引言 | 第42-44页 |
| 5.2 手势识别特征的选取 | 第44-45页 |
| 5.3 应用手势姿态估计的手势识别算法 | 第45-49页 |
| 5.3.1 算法设计 | 第45-46页 |
| 5.3.2 算法实现 | 第46-47页 |
| 5.3.3 实验结果及分析 | 第47-49页 |
| 第6章 总结与展望 | 第49-51页 |
| 6.1 总结 | 第49-50页 |
| 6.2 展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
