基于粒子群优化算法和自生成神经网络的手势识别研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 课题来源及主要研究内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第二章 相关技术综述 | 第14-32页 |
| 2.1 图像分割 | 第14-15页 |
| 2.1.1 区域分割 | 第14页 |
| 2.1.2 其它方法 | 第14-15页 |
| 2.2 聚类方法 | 第15-26页 |
| 2.2.1 常用算法 | 第15-18页 |
| 2.2.2 人工神经网络 | 第18-22页 |
| 2.2.3 深度学习 | 第22-24页 |
| 2.2.4 智能优化算法 | 第24-26页 |
| 2.3 神经网络与优化算法结合的案例 | 第26-28页 |
| 2.4 稀疏表示的图像去噪 | 第28-30页 |
| 2.4.1 字典的生成 | 第28-29页 |
| 2.4.2 稀疏分解(编码) | 第29页 |
| 2.4.3 优化问题 | 第29-30页 |
| 2.5 本章总结 | 第30-32页 |
| 第三章 基于PSO-SGNT网络结构手势分割 | 第32-46页 |
| 3.1 使用区域生长法对图像粗分割 | 第32-33页 |
| 3.2 自生成神经网络 | 第33-36页 |
| 3.2.1 自生成神经网络结构存在的问题 | 第34-35页 |
| 3.2.2 自生成神经网络结构优化 | 第35-36页 |
| 3.3 粒子群优化算法 | 第36-37页 |
| 3.4 方法描述 | 第37-40页 |
| 3.5 基于模拟退火算法的稀疏表示图像去噪 | 第40-44页 |
| 3.6 本章总结 | 第44-46页 |
| 第四章 基于PSO-SGNT网络结构的手势识别 | 第46-60页 |
| 4.1 手势特征提取 | 第46-50页 |
| 4.1.1 Hu矩提取手势特征 | 第46-48页 |
| 4.1.2 多层次特征提取 | 第48-49页 |
| 4.1.3 卷积神经网络的改进分析 | 第49-50页 |
| 4.2 优化卷积神经网络的特征提取方法 | 第50-54页 |
| 4.2.1 拉普拉斯金字塔图像调整 | 第50-51页 |
| 4.2.2 嵌入式特征的选择 | 第51页 |
| 4.2.3 提取特征方法描述 | 第51-54页 |
| 4.3 PSO-SGNF手势识别 | 第54-58页 |
| 4.4 本章总结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 未来工作和展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 攻读学位期间发表的学术论文目录 | 第70页 |
