基于HMM的时间序列聚类与识别
| 摘 要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 引言 | 第10-23页 |
| ·研究内容与研究意义 | 第10-12页 |
| ·研究方法 | 第12-20页 |
| ·图像处理 | 第12-13页 |
| ·序列分析 | 第13-17页 |
| ·基于HMM的时间序列分析方法 | 第17-19页 |
| ·熵在机器学习中的应用 | 第19-20页 |
| ·论文结构 | 第20-23页 |
| 第二章 手势的图像分析 | 第23-39页 |
| ·图像处理与特征描述 | 第23-25页 |
| ·肤色提取 | 第25-33页 |
| ·单幅图像中的基本肤色区域获取算法 | 第26-28页 |
| ·模型训练 | 第28-29页 |
| ·使用运动信息的修正结果 | 第29-30页 |
| ·实验结果 | 第30-31页 |
| ·针对亮度信息的改进 | 第31-33页 |
| ·手的细节分析 | 第33-37页 |
| ·手势信息 | 第33-36页 |
| ·试验结果 | 第36-37页 |
| ·任意手势集的分类器设计 | 第37-38页 |
| ·小结 | 第38-39页 |
| 第三章 连续手势的自动切分与识别 | 第39-60页 |
| ·概述 | 第39-41页 |
| ·手势识别 | 第39-40页 |
| ·基于HMM的连续手势切分与识别 | 第40页 |
| ·系统的标准操作型手势集合 | 第40-41页 |
| ·手势识别信息处理过程 | 第41-44页 |
| ·单幅图像中的基本肤色区域获取算法 | 第42页 |
| ·单幅图像的特征提取 | 第42-44页 |
| ·基于HMM的手势序列识别 | 第44-45页 |
| ·基于阈值模型的连续序列切分 | 第45-52页 |
| ·基于过渡模型的连续序列在线识别 | 第52-54页 |
| ·实验结果 | 第54-58页 |
| ·手势识别 | 第54-55页 |
| ·连续手势的切分与识别 | 第55-58页 |
| ·小结 | 第58页 |
| ·讨论 | 第58-60页 |
| 第四章 时间序列聚类 | 第60-100页 |
| ·概述 | 第60-69页 |
| ·点聚类方法 | 第60-61页 |
| ·序列聚类方法 | 第61-64页 |
| ·熵在模型选择中的应用 | 第64-66页 |
| ·基于熵最小化的HMM学习 | 第66-67页 |
| ·基于熵和HMM的分级聚类算法 | 第67-69页 |
| ·基于熵的HMM模型结构选择 | 第69-78页 |
| ·HMM的熵 | 第69-70页 |
| ·HMM结构优化规则 | 第70-74页 |
| ·结构优化对熵的影响 | 第74-77页 |
| ·细分对熵的影响 | 第77-78页 |
| ·分级聚类方法 | 第78-84页 |
| ·分级聚类 | 第78-79页 |
| ·TOM与WTOM的构造 | 第79-83页 |
| ·分级聚类流程图 | 第83-84页 |
| ·特征序列提取与识别 | 第84-85页 |
| ·典型序列提取 | 第84页 |
| ·典型序列识别 | 第84-85页 |
| ·实验结果 | 第85-97页 |
| ·手写体数字聚类 | 第86-90页 |
| ·手势图像序列聚类 | 第90-92页 |
| ·监控视频中人的典型轨迹提取 | 第92-94页 |
| ·羽毛球运动员典型动作提取 | 第94-97页 |
| ·小结 | 第97-100页 |
| 第五章 基于DTW的签名认证系统 | 第100-117页 |
| ·概述 | 第100-103页 |
| ·全局特征 | 第103-105页 |
| ·局部特征 | 第105-110页 |
| ·连续笔划的切分 | 第105-107页 |
| ·基于DTW的笔划匹配切分 | 第107-109页 |
| ·笔划距离度量 | 第109-110页 |
| ·多特征融合 | 第110-113页 |
| ·实验结果 | 第113-116页 |
| ·小结 | 第116-117页 |
| 结 论 | 第117-119页 |
| 参考文献 | 第119-125页 |
| 附录A HMM训练与识别算法 | 第125-131页 |
| 附录B NORMALIZED CUT方法 | 第131-133页 |
| 附录C 熵在模型选择中的应用 | 第133-143页 |
| 致谢及声明 | 第143-145页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第145页 |
