一种类人机器人手势识别算法及其实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 研究问题 | 第14-16页 |
| 1.2.1 手势分割 | 第14-15页 |
| 1.2.2 特征提取 | 第15-16页 |
| 1.2.3 手势识别 | 第16页 |
| 1.3 研究工作 | 第16-17页 |
| 1.4 结构安排 | 第17-19页 |
| 第2章 相关研究 | 第19-34页 |
| 2.1 手势识别框架 | 第19页 |
| 2.2 基于视觉的手势识别技术 | 第19-21页 |
| 2.2.1 基于单目摄像头的手势识别 | 第20页 |
| 2.2.2 基于多目摄像头的手势识别 | 第20-21页 |
| 2.3 颜色空间 | 第21-24页 |
| 2.4 目标检测与跟踪基础 | 第24-26页 |
| 2.4.1 目标检测方法 | 第24-25页 |
| 2.4.2 目标跟踪方法 | 第25-26页 |
| 2.5 深度学习理论 | 第26-30页 |
| 2.5.1 深度置信网络 | 第27-28页 |
| 2.5.2 卷积神经网络 | 第28-29页 |
| 2.5.3 卷积神经网络研究现状 | 第29-30页 |
| 2.6 智能机器人 | 第30-33页 |
| 2.6.1 发展现状 | 第30-31页 |
| 2.6.2 智能机器人的应用 | 第31-32页 |
| 2.6.3 类人机器人的优势 | 第32-33页 |
| 2.7 本章小节 | 第33-34页 |
| 第3章 融合肤色信息与运动信息的手势分割研究 | 第34-46页 |
| 3.1 手势分割的技术难点 | 第34页 |
| 3.2 常见的手势分割方法 | 第34-35页 |
| 3.3 基于肤色信息的手势分割 | 第35-37页 |
| 3.3.1 颜色空间的变换 | 第35-36页 |
| 3.3.2 肤色建模 | 第36-37页 |
| 3.4 基于运动信息的手势分割 | 第37-39页 |
| 3.4.1 帧间差分法 | 第38页 |
| 3.4.2 基于三帧差分法的运动检测 | 第38-39页 |
| 3.5 重建手势区域 | 第39-41页 |
| 3.5.1 形态学方法处理 | 第39-40页 |
| 3.5.2 标记连通处理 | 第40-41页 |
| 3.6 融合算法 | 第41-43页 |
| 3.6.1 算法设计 | 第41-42页 |
| 3.6.2 算法的不足与改进 | 第42-43页 |
| 3.7 实验结果与数据分析 | 第43-45页 |
| 3.7.1 分割效果 | 第43-44页 |
| 3.7.2 分割时间 | 第44-45页 |
| 3.8 本章小结 | 第45-46页 |
| 第4章 基于CNN神经网络的手势识别研究 | 第46-56页 |
| 4.1 手势跟踪技术 | 第46-48页 |
| 4.2 卷积神经网络 | 第48-52页 |
| 4.2.1 网络结构设计 | 第48-49页 |
| 4.2.2 训练算法 | 第49-50页 |
| 4.2.3 激活函数的选择 | 第50-52页 |
| 4.3 实验结果及分析 | 第52-55页 |
| 4.3.1 手势数据集处理 | 第52-53页 |
| 4.3.2 对比实验与分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 类人机器人手势识别系统的实现 | 第56-66页 |
| 5.1 实验环境 | 第56-58页 |
| 5.1.1 软件环境简介 | 第56-57页 |
| 5.1.2 硬件环境简介 | 第57-58页 |
| 5.2 NAO机器人平台 | 第58-61页 |
| 5.2.1 NAOqi框架 | 第58-59页 |
| 5.2.2 NAO机器人的视觉系统 | 第59页 |
| 5.2.3 体系结构 | 第59-61页 |
| 5.3 NAO机器人的手势识别算法移植 | 第61-63页 |
| 5.3.1 远程模块和本地模块 | 第61页 |
| 5.3.2 使用Cmake交叉编译 | 第61-62页 |
| 5.3.3 模块移植 | 第62页 |
| 5.3.4 算法优化 | 第62-63页 |
| 5.4 NAO机器人手势交互实验 | 第63-65页 |
| 5.5 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73页 |
