基于KELM的静态手势识别
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-24页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 手势识别应用 | 第13-15页 |
| 1.3 手势分割与识别的研究现状 | 第15-19页 |
| 1.3.1 手势图像分割研究现状 | 第15-17页 |
| 1.3.2 手势识别研究现状 | 第17-19页 |
| 1.4 手势识别的难点分析 | 第19-21页 |
| 1.5 本文的研究内容与组织结构 | 第21-24页 |
| 1.5.1 本文的研究内容 | 第21-22页 |
| 1.5.2 本文的章节安排 | 第22-24页 |
| 第二章 手势识别之图像预处理 | 第24-35页 |
| 2.1 基于阈值分割的肤色区域生成 | 第24-30页 |
| 2.1.1 肤色模型 | 第25-28页 |
| 2.1.2 {Cr,Cb} 阈值获取 | 第28-29页 |
| 2.1.3 肤色区域分割 | 第29-30页 |
| 2.2 手势区域分割 | 第30-32页 |
| 2.3 手势图像增强 | 第32-33页 |
| 2.4 本章小结 | 第33-35页 |
| 第三章 手势二值图像的特征 | 第35-42页 |
| 3.1 手势特征提取的必要性 | 第35页 |
| 3.2 几何矩 | 第35-39页 |
| 3.2.1 矩表征 | 第36-38页 |
| 3.2.2 Hu矩（几何矩） | 第38-39页 |
| 3.3 主成分分析 | 第39-40页 |
| 3.4 手势特征提取及可行性分析 | 第40-41页 |
| 3.4.1 Hu矩特征提取 | 第40页 |
| 3.4.2 PCA特征提取 | 第40-41页 |
| 3.4.3 可行性分析 | 第41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于神经网络的手势识别 | 第42-60页 |
| 4.1 引言 | 第42-44页 |
| 4.2 基于人工神经网络的分类器 | 第44-48页 |
| 4.2.1 SLFNs的基本原理 | 第44-45页 |
| 4.2.2 径向基函数 | 第45-47页 |
| 4.2.3 基于SLFNs的分类/回归模型 | 第47-48页 |
| 4.3 常用分类SLFNs | 第48-55页 |
| 4.3.1 RBF神经网络分类器 | 第48-51页 |
| 4.3.2 ELM分类器 | 第51-55页 |
| 4.4 改进ELM分类器 | 第55-59页 |
| 4.4.1 KELM的基本原理 | 第55-56页 |
| 4.4.2 基于KELM分类器手势识别 | 第56-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 算法实现与结果分析 | 第60-78页 |
| 5.1 软硬件实验环境 | 第60-61页 |
| 5.2 系统与功能 | 第61-64页 |
| 5.3 手势识别系统实现 | 第64-75页 |
| 5.3.1 手势图像采集 | 第64-66页 |
| 5.3.2 肤色阈值分割 | 第66-69页 |
| 5.3.3 复杂环境手势分割 | 第69-71页 |
| 5.3.4 特征提取 | 第71-72页 |
| 5.3.5 神经网络分类器识别效果对比与分析 | 第72-75页 |
| 5.4 本文系统KELM分类器识别效果分析 | 第75-76页 |
| 5.5 本章小结 | 第76-78页 |
| 总结与展望 | 第78-81页 |
| 参考文献 | 第81-87页 |
| 攻读硕士学位期间取得的研究成果 | 第87-88页 |
| 致谢 | 第88-89页 |
| 附件 | 第89页 |
