基于计算机视觉的手势识别方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景和意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 研究内容 | 第17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 第二章 手势识别理论基础 | 第19-29页 |
| 2.1 手势识别的基本流程 | 第19页 |
| 2.2 手势识别的方法介绍 | 第19-21页 |
| 2.2.1 模板匹配法 | 第19-20页 |
| 2.2.2 人工神经网络法 | 第20-21页 |
| 2.2.3 隐马尔科夫模型法 | 第21页 |
| 2.3 手部特征介绍 | 第21-23页 |
| 2.3.1 SIFT特征 | 第21-22页 |
| 2.3.2 PCA特征 | 第22-23页 |
| 2.3.3 HOG特征 | 第23页 |
| 2.4 支持向量机分类器 | 第23-25页 |
| 2.4.1 SVM体系结构 | 第24页 |
| 2.4.2 SVM的优缺点 | 第24-25页 |
| 2.4.3 SVM的应用 | 第25页 |
| 2.5 深度学习模型 | 第25-27页 |
| 2.5.1 卷积神经网络 | 第25页 |
| 2.5.2 受限玻尔兹曼机 | 第25-26页 |
| 2.5.3 深度置信网络 | 第26页 |
| 2.5.4 自动编码器 | 第26-27页 |
| 2.6 本章小结 | 第27-29页 |
| 第三章 手势图像预处理 | 第29-41页 |
| 3.1 手势图像平滑 | 第29-32页 |
| 3.1.1 均值滤波 | 第29-30页 |
| 3.1.2 高斯滤波 | 第30-31页 |
| 3.1.3 中值滤波 | 第31-32页 |
| 3.2 手势图像二值化 | 第32页 |
| 3.3 手势图像边缘处理 | 第32-34页 |
| 3.4 手势图像形态学处理 | 第34-36页 |
| 3.5 实验数据 | 第36-38页 |
| 3.6 实验评估标准 | 第38-39页 |
| 3.7 本章小结 | 第39-41页 |
| 第四章 基于特征提取的手势识别 | 第41-57页 |
| 4.1 基于SIFT的手势识别 | 第41-46页 |
| 4.1.1 SIFT的基本原理 | 第41页 |
| 4.1.2 基于SIFT的手势识别的过程 | 第41-44页 |
| 4.1.3 基于SIFT的手势识别实验分析 | 第44-46页 |
| 4.2 基于主成分分析的手势识别 | 第46-51页 |
| 4.2.1 PCA的基本原理 | 第46-47页 |
| 4.2.2 基于PCA的手势识别的过程 | 第47-49页 |
| 4.2.3 基于PCA的手势识别实验分析 | 第49-51页 |
| 4.3 基于HOG的手势识别 | 第51-55页 |
| 4.3.1 HOG的基本原理 | 第51页 |
| 4.3.2 基于HOG的手势识别的过程 | 第51-53页 |
| 4.3.3 基于HOG的手势识别实验分析 | 第53-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第五章 基于卷积神经网络的手势识别 | 第57-73页 |
| 5.1 深度学习 | 第57-58页 |
| 5.1.1 深度学习概述 | 第57页 |
| 5.1.2 深度学习的实质 | 第57-58页 |
| 5.2 卷积神经网络结构 | 第58-60页 |
| 5.3 基于经典的卷积神经网络手势识别 | 第60-64页 |
| 5.4 基于改进的卷积神经网络手势识别 | 第64页 |
| 5.5 实验结果及参数分析 | 第64-72页 |
| 5.5.1 经典CNN与改进后的CNN的比较 | 第65页 |
| 5.5.2 CNN层数对实验结果的影响 | 第65-67页 |
| 5.5.3 CNN实验参数对实验结果的影响 | 第67-69页 |
| 5.5.4 训练样本数对实验结果的影响 | 第69-72页 |
| 5.6 本章小结 | 第72-73页 |
| 第六章 总结和展望 | 第73-75页 |
| 6.1 总结 | 第73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 作者简介 | 第81-82页 |
