基于超限学习机的手势识别方法研究
| 中文摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 手势识别研究背景与意义 | 第12-13页 |
| 1.2 手势识别方法研究现状 | 第13-15页 |
| 1.2.1 国外手势识别发展历史 | 第13-14页 |
| 1.2.2 国内手势识别发展历史 | 第14-15页 |
| 1.3 手势识别技术的研究内容 | 第15-18页 |
| 1.3.1 手势建模 | 第15-16页 |
| 1.3.2 手势分析 | 第16-17页 |
| 1.3.3 手势识别 | 第17-18页 |
| 1.4 本文主要工作及结构安排 | 第18-20页 |
| 1.4.1 本文的主要工作 | 第18页 |
| 1.4.2 本文的结构安排 | 第18-20页 |
| 第二章 手势图像预处理和特征提取 | 第20-30页 |
| 2.1 图像平滑处理 | 第20-22页 |
| 2.1.1 领域平均法 | 第20页 |
| 2.1.2 中值滤波法 | 第20-21页 |
| 2.1.3 频域平滑法 | 第21-22页 |
| 2.2 图像二值化 | 第22-23页 |
| 2.2.1 P-参数法 | 第22页 |
| 2.2.2 模式法 | 第22-23页 |
| 2.2.3 可变阈值法 | 第23页 |
| 2.3 形态学处理 | 第23-25页 |
| 2.3.1 膨胀和腐蚀 | 第23-24页 |
| 2.3.2 开和闭运算 | 第24-25页 |
| 2.4 手势图像的特征提取 | 第25-28页 |
| 2.4.1 概述 | 第25页 |
| 2.4.2 基于PCA的特征提取 | 第25-26页 |
| 2.4.3 基于背景减法的特征提取 | 第26-27页 |
| 2.4.4 基于帧差法的特征提取 | 第27-28页 |
| 2.5 本章总结 | 第28-30页 |
| 第三章 基于BP神经网络的手势识别方法 | 第30-42页 |
| 3.1 手势识别概述 | 第30-31页 |
| 3.2 人工神经网络 | 第31-36页 |
| 3.2.1 概述 | 第31-33页 |
| 3.2.2 BP神经网络算法理论 | 第33-36页 |
| 3.3 基于BP神经网络的手势识别 | 第36-41页 |
| 3.3.1 手势数据来源 | 第37-38页 |
| 3.3.2 手势的特征提取 | 第38-39页 |
| 3.3.3 实验结果与分析 | 第39-41页 |
| 3.4 本章总结 | 第41-42页 |
| 第四章 基于超限学习机的手势识别方法 | 第42-61页 |
| 4.1 超限学习机 | 第42-50页 |
| 4.1.1BP神经网络的缺点 | 第42页 |
| 4.1.2 单隐层前馈神经网络 | 第42-43页 |
| 4.1.3 ELM算法理论 | 第43-47页 |
| 4.1.4 基于ELM的手势识别方法 | 第47-50页 |
| 4.2 分层超限学习机 | 第50-54页 |
| 4.2.1 H-ELM算法理论 | 第50-52页 |
| 4.2.2 基于H-ELM的手势识别 | 第52-54页 |
| 4.3 在线贯序超限学习机 | 第54-60页 |
| 4.3.1 OS-ELM算法理论 | 第54-57页 |
| 4.3.2 基于OS-ELM手势识别方法 | 第57-60页 |
| 4.4 本章总结 | 第60-61页 |
| 第五章 融合单演特征和超限学习机手势识别方法研究 | 第61-68页 |
| 5.1 单演信号表示 | 第61-63页 |
| 5.1.1 解析信号表示原理 | 第61页 |
| 5.1.2 单演信号表示原理 | 第61-63页 |
| 5.2 单演信号表示手势特征 | 第63-64页 |
| 5.3 实验结果与分析 | 第64-67页 |
| 5.4 本章总结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士期间发表的学术论文 | 第74-75页 |
| 致谢 | 第75-76页 |
