基于SAE-PCA模型的ASL字母识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 手势识别的背景及意义 | 第11-13页 |
| 1.2 手势识别的难点 | 第13-14页 |
| 1.3 本文研究的内容及创新点 | 第14-16页 |
| 1.4 本文组织结构安排 | 第16-17页 |
| 第二章 手势识别常见方法 | 第17-23页 |
| 2.1 手势区域检测常见方法 | 第17-20页 |
| 2.1.1 基于像素值的方法 | 第18页 |
| 2.1.2 基于2D形状的方法 | 第18页 |
| 2.1.3 基于肤色的方法 | 第18-19页 |
| 2.1.4 基于3D模型的方法 | 第19页 |
| 2.1.5 基于Kinect第三方库 | 第19-20页 |
| 2.2 手势识别中常见的特征表示 | 第20-23页 |
| 2.2.1 基于方向的特征 | 第20-21页 |
| 2.2.2 基于点的特征 | 第21页 |
| 2.2.3 基于深度差的特征 | 第21页 |
| 2.2.4 基于3D的几何特征 | 第21-23页 |
| 第三章 基于在线肤色学习的手势分割方法 | 第23-35页 |
| 3.1 手势的检测与跟踪 | 第24-25页 |
| 3.2 使用深度信息进行初步分割 | 第25页 |
| 3.3 使用颜色信息进行精细分割 | 第25-29页 |
| 3.3.1 肤色模型的在线学习 | 第26-28页 |
| 3.3.2 使用肤色模型进行分割 | 第28-29页 |
| 3.4 实验结果及分析 | 第29-33页 |
| 3.4.1 单手的分割 | 第29-30页 |
| 3.4.2 双手的分割 | 第30-31页 |
| 3.4.3 实验对比分析 | 第31-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第四章 基于SAE-PCA模型的ASL字母识别 | 第35-57页 |
| 4.1 特征学习 | 第36-44页 |
| 4.1.1 Auto-encoder介绍 | 第36-38页 |
| 4.1.2 RBM介绍 | 第38-40页 |
| 4.1.3 CNN介绍 | 第40-43页 |
| 4.1.4 PCA降维 | 第43-44页 |
| 4.2 ASL数据库介绍 | 第44-46页 |
| 4.3 SAE-PCA模型 | 第46-51页 |
| 4.3.1 SAE训练CNN的参数 | 第46-49页 |
| 4.3.2 SAE-PCA网络 | 第49-51页 |
| 4.4 实验结果及分析 | 第51-56页 |
| 4.4.1 SAE隐含层节点的选取 | 第52-53页 |
| 4.4.2 池化方式的选择 | 第53-54页 |
| 4.4.3 PCA的引入 | 第54-55页 |
| 4.4.4 分类器的选择 | 第55-56页 |
| 4.4.5 与其它方法的对比 | 第56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 基于Kinect的ASL字母识别系统 | 第57-63页 |
| 5.1 手势检测过程的简化 | 第57-58页 |
| 5.2 SAE-PCA模型的简化 | 第58-59页 |
| 5.3 算法流程 | 第59-60页 |
| 5.4 实验结果及分析 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 总结和展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 硕士期间发表论文情况 | 第71-73页 |
| 致谢 | 第73页 |
