基于Zernike矩和支持向量机的手势识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究的目的和意义 | 第10页 |
| 1.2 研究现状 | 第10-14页 |
| 1.2.1 基于数据手套的手势识别 | 第11-12页 |
| 1.2.2 基于彩色图像的手势识别 | 第12-13页 |
| 1.2.3 基于深度信息的手势识别 | 第13-14页 |
| 1.3 本文的研究内容和结构 | 第14-16页 |
| 第二章 基于视觉的手势识别技术概述 | 第16-20页 |
| 2.1 基于视觉的手势识别 | 第16-17页 |
| 2.2 常用手势识别方法介绍 | 第17-19页 |
| 2.2.1 模板匹配法 | 第17页 |
| 2.2.2 基于人工神经网络的方法 | 第17-18页 |
| 2.2.3 基于支持向量机的方法 | 第18页 |
| 2.2.4 基于概率统计模型的方法 | 第18-19页 |
| 2.2.5 基于动态时间规整的方法 | 第19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 手势分割与跟踪 | 第20-31页 |
| 3.1 Kinect v2传感器 | 第20-22页 |
| 3.1.1 Kinect v2简介 | 第20-22页 |
| 3.1.2 深度数据的获取方式 | 第22页 |
| 3.2 手势区域的获取与分割 | 第22-27页 |
| 3.2.1 手部区域的获取 | 第22-25页 |
| 3.2.2 手势分割 | 第25-26页 |
| 3.2.3 图像滤波 | 第26-27页 |
| 3.3 手部运动轨迹的跟踪 | 第27-29页 |
| 3.4 本章小结 | 第29-31页 |
| 第四章 手势特征提取与分类算法研究 | 第31-48页 |
| 4.1 特征提取方法 | 第31-36页 |
| 4.1.1 Hu矩 | 第31-33页 |
| 4.1.2 Zenrike矩 | 第33-35页 |
| 4.1.3 小波矩 | 第35-36页 |
| 4.2 支持向量机 | 第36-41页 |
| 4.2.1 线性支持向量机 | 第37-39页 |
| 4.2.2 非线性支持向量机 | 第39-40页 |
| 4.2.3 多分类问题 | 第40-41页 |
| 4.3 实验与分析 | 第41-46页 |
| 4.3.1 类内类间距离实验 | 第41-43页 |
| 4.3.2 静态手势识别实验 | 第43-45页 |
| 4.3.3 动态手势识别实验 | 第45-46页 |
| 4.4 本章小结 | 第46-48页 |
| 第五章 基于手势识别的写字板应用 | 第48-55页 |
| 5.1 系统环境 | 第48页 |
| 5.2 系统概述 | 第48-51页 |
| 5.3 系统界面与功能介绍 | 第51-53页 |
| 5.4 系统运行效果分析 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 结论与展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-62页 |
