基于深度图的手势识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 概述 | 第13-16页 |
| 1.1.1 手势应用 | 第13-14页 |
| 1.1.2 手势获取方式 | 第14页 |
| 1.1.3 手部模型表示 | 第14-16页 |
| 1.2 挑战和深度图的优势 | 第16页 |
| 1.3 论文内容安排 | 第16-18页 |
| 第二章 基于深度图的手势识别研究现状 | 第18-21页 |
| 2.1 深度传感器 | 第18-19页 |
| 2.1.1 Kinect | 第18页 |
| 2.1.2 其他深度传感器 | 第18-19页 |
| 2.2 手部定位 | 第19-20页 |
| 2.2.1 手部分割 | 第19-20页 |
| 2.2.2 手部跟踪 | 第20页 |
| 2.3 手势的分类 | 第20-21页 |
| 第三章 基于手部主方向的静态手势识别 | 第21-32页 |
| 3.1 相关工作 | 第21-23页 |
| 3.2 手部分割 | 第23-26页 |
| 3.2.1 阈值法分割手部 | 第24页 |
| 3.2.2 meanshift寻找真实中心 | 第24-25页 |
| 3.2.3 尺度和坐标变换 | 第25-26页 |
| 3.3 特征提取 | 第26-27页 |
| 3.3.1 计算HDL | 第26-27页 |
| 3.3.2 HDL修正 | 第27页 |
| 3.3.3 计算网格平均深度 | 第27页 |
| 3.4 实验 | 第27-31页 |
| 3.4.1 NTU数据集 | 第28-29页 |
| 3.4.2 ASL数据集 | 第29-30页 |
| 3.4.3 实验结果分析 | 第30-31页 |
| 3.5 讨论与总结 | 第31-32页 |
| 第四章 基于随机森林的动态手势识别 | 第32-43页 |
| 4.1 相关工作 | 第32-34页 |
| 4.2 运动区域捕捉 | 第34-35页 |
| 4.3 特征计算 | 第35-37页 |
| 4.3.1 特征点选择 | 第35页 |
| 4.3.2 UV特征 | 第35-37页 |
| 4.4 分类流程 | 第37-39页 |
| 4.4.1 决策树 | 第37-38页 |
| 4.4.2 随机森林 | 第38-39页 |
| 4.4.3 分类 | 第39页 |
| 4.5 实验 | 第39-40页 |
| 4.6 讨论与总结 | 第40-43页 |
| 第五章 基于深度学习的手势特征学习和静态手势识别 | 第43-64页 |
| 5.1 手势图像的稀疏自编码 | 第43-50页 |
| 5.1.1 神经网络 | 第44-45页 |
| 5.1.2 后向反馈算法 | 第45-47页 |
| 5.1.3 自编码器和稀疏 | 第47-49页 |
| 5.1.4 线性解码器 | 第49-50页 |
| 5.1.5 手部特征 | 第50页 |
| 5.2 手势特征的PCA和白化处理 | 第50-56页 |
| 5.2.1 PCA的数学背景 | 第51-53页 |
| 5.2.2 降维 | 第53页 |
| 5.2.3 白化 | 第53-54页 |
| 5.2.4 手部深度图块白化 | 第54-56页 |
| 5.3 softmax回归 | 第56-58页 |
| 5.3.1 损失函数 | 第56-57页 |
| 5.3.2 权值衰减 | 第57-58页 |
| 5.3.3 适用场景 | 第58页 |
| 5.4 手势图像的卷积处理 | 第58-60页 |
| 5.4.1 卷积 | 第58-59页 |
| 5.4.2 池化 | 第59-60页 |
| 5.5 实验 | 第60-61页 |
| 5.6 讨论与总结 | 第61-64页 |
| 第六章 总结和展望 | 第64-66页 |
| 6.1 工作总结 | 第64-65页 |
| 6.2 工作展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 科研成果 | 第72-73页 |
| 致谢 | 第73-74页 |
