基于RGB-D图像的3D手势识别方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 手势检测与提取 | 第13-15页 |
| 1.2.2 手势建模 | 第15-16页 |
| 1.2.3 手势识别 | 第16-17页 |
| 1.2.4 手势应用 | 第17页 |
| 1.3 本文的研究内容 | 第17-18页 |
| 1.4 本文的章节安排 | 第18-19页 |
| 第二章 基于RGB-D图像的手势识别方法分析 | 第19-29页 |
| 2.1 RGB-D图像概念 | 第19页 |
| 2.2 手势图像获取与预处理 | 第19-24页 |
| 2.2.1 Kinect图像获取 | 第19-21页 |
| 2.2.2 Kinect图像预处理 | 第21-23页 |
| 2.2.3 Kinect骨骼模型 | 第23-24页 |
| 2.3 人手运动学约束 | 第24-25页 |
| 2.4 手势识别算法分析 | 第25-28页 |
| 2.4.1 手势分割方法 | 第25-26页 |
| 2.4.2 手势识别方法 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于随机森林方法的静态手势识别 | 第29-42页 |
| 3.1 手掌分割 | 第30-32页 |
| 3.1.1 关节点模型 | 第30页 |
| 3.1.2 背景分割 | 第30-32页 |
| 3.2 手部件分割 | 第32-35页 |
| 3.2.1 自适应的深度比较特征 | 第32-34页 |
| 3.2.2 随机森林分类器 | 第34-35页 |
| 3.3 手势识别 | 第35-38页 |
| 3.3.1 定位关节点位置 | 第35-36页 |
| 3.3.2 关节点模型旋转平移校正 | 第36-37页 |
| 3.3.3 模板匹配 | 第37-38页 |
| 3.4 实验结果分析 | 第38-41页 |
| 3.4.1 实验使用数据库 | 第38页 |
| 3.4.2 实验结果与分析 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于极限学习机的动态手势识别 | 第42-53页 |
| 4.1 手势轨迹预处理 | 第43-44页 |
| 4.2 轨迹特征 | 第44-46页 |
| 4.2.1 根轨迹CDF特征 | 第44-45页 |
| 4.2.2 子轨迹球面坐标特征 | 第45-46页 |
| 4.3 分层极限学习机 | 第46-51页 |
| 4.3.1 极限学习机 | 第47-49页 |
| 4.3.2 稀疏自编码 | 第49-50页 |
| 4.3.3 SVM算法 | 第50-51页 |
| 4.4 实验结果分析 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 总结与展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 攻读学位期间发表论文 | 第60-62页 |
| 致谢 | 第62页 |
