| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 人机交互研究综述 | 第14页 |
| 1.3 手势识别研究综述 | 第14-18页 |
| 1.3.1 手势图像特征提取的研究现状 | 第16-17页 |
| 1.3.2 手势图像识别的研究现状 | 第17-18页 |
| 1.4 论文研究内容 | 第18-19页 |
| 1.5 本论文组织结构 | 第19-21页 |
| 第2章 数据集预处理 | 第21-26页 |
| 2.1 数据集增强 | 第21-24页 |
| 2.1.1 灰度化 | 第21页 |
| 2.1.2 尺寸归一化 | 第21-22页 |
| 2.1.3 滤波 | 第22-24页 |
| 2.2 数据集扩充 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 基于经典方法的识别系统设计 | 第26-41页 |
| 3.1 训练样本的选择 | 第26页 |
| 3.2 梯度方向直方图特征(HOG) | 第26-29页 |
| 3.2.1 梯度方向直方图特征概述 | 第27页 |
| 3.2.2 手势图像的HOG特征提取 | 第27-29页 |
| 3.3 局部二值特征(LBP) | 第29-30页 |
| 3.3.1 局部二值特征理论 | 第29-30页 |
| 3.3.2 手势图像的LBP特征计算过程 | 第30页 |
| 3.4 支持向量机理论(SVM) | 第30-35页 |
| 3.4.1 线性可分 | 第31-33页 |
| 3.4.2 线性不可分 | 第33-34页 |
| 3.4.3 SVM核函数介绍 | 第34页 |
| 3.4.4 分类问题 | 第34-35页 |
| 3.5 主成分分析(PCA) | 第35-36页 |
| 3.6 HOG+LBP+PCA+SVM分类器训练及实验分析 | 第36-40页 |
| 3.6.1 HOG+SVM实验分析 | 第36-37页 |
| 3.6.2 LBP+SVM实验分析 | 第37-38页 |
| 3.6.3 PCA-HOG+SVM实验分析 | 第38页 |
| 3.6.4 PCA-LBP+SVM实验分析 | 第38-39页 |
| 3.6.5 PCA-(HOG+LBP)+SVM实验分析 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第4章 改进的手势识别系统设计 | 第41-49页 |
| 4.1 稀疏自编码网络 | 第41-46页 |
| 4.1.1 稀疏自编码网络原理 | 第41-44页 |
| 4.1.2 稀疏自编码网络做特征融合降维 | 第44-45页 |
| 4.1.3 SAE-SVM实验 | 第45-46页 |
| 4.2 集成分类器 | 第46-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第5章 手势识别系统实现 | 第49-54页 |
| 5.1 识别系统整体架构介绍 | 第49-50页 |
| 5.1.1 识别系统硬件架构介绍 | 第49页 |
| 5.1.2 识别系统软件介绍 | 第49-50页 |
| 5.2 实验分析 | 第50-52页 |
| 5.2.1 识别系统功能模块 | 第50-52页 |
| 5.2.2 显示功能介绍 | 第52页 |
| 5.3 自制验证集实验 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 附录A 攻读学位期间发表的学术论文 | 第62页 |