基于单目视觉的静态手势识别系统研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-12页 |
| 1 引言 | 第12-23页 |
| 1.1 选题背景及研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 输入设备 | 第13-14页 |
| 1.2.2 手势基本概念与分类 | 第14页 |
| 1.2.3 手势建模 | 第14-16页 |
| 1.2.4 国内外研究机构及应用 | 第16-17页 |
| 1.3 手势识别的相关技术 | 第17-20页 |
| 1.3.1 手势分割 | 第18页 |
| 1.3.2 手势特征提取 | 第18-20页 |
| 1.3.3 手势识别 | 第20页 |
| 1.4 手势识别技术的难点 | 第20-21页 |
| 1.5 论文主要内容及结构 | 第21-23页 |
| 2 手势分割方法 | 第23-31页 |
| 2.1 基于肤色的手势分割 | 第23-25页 |
| 2.2 基于运动信息的手势分割 | 第25-27页 |
| 2.2.1 帧间差分法 | 第26页 |
| 2.2.2 背景差分法 | 第26-27页 |
| 2.3 基于肤色和运动检测技术的手势分割 | 第27-29页 |
| 2.4 实验结果与分析 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 手势特征提取算法 | 第31-42页 |
| 3.1 基于卷积神经网络的特征提取算法 | 第31-34页 |
| 3.1.1 CNN的网络结构 | 第31-32页 |
| 3.1.2 CNN的训练过程 | 第32-34页 |
| 3.2 传统手势特征提取算法 | 第34-38页 |
| 3.2.1 基于梯度的特征提取算法 | 第34-36页 |
| 3.2.2 基于局部纹理的特征提取算法 | 第36-38页 |
| 3.3 实验结果与分析 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 手势识别算法 | 第42-55页 |
| 4.1 多层感知器 | 第42-44页 |
| 4.1.1 MLP的网络结构 | 第42-43页 |
| 4.1.2 MLP算法实现 | 第43-44页 |
| 4.2 基于CNN和MLP的手势识别算法实现 | 第44-48页 |
| 4.2.1 基于CNN和MLP的特征提取和识别 | 第44-45页 |
| 4.2.2 新算法实现的具体过程 | 第45-48页 |
| 4.3 支持向量机 | 第48-50页 |
| 4.4 实验结果与分析 | 第50-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 手势识别系统的设计与实现 | 第55-64页 |
| 5.1 手势数据库 | 第55-58页 |
| 5.1.1 现有的手势数据库 | 第55-57页 |
| 5.1.2 自建数据集 | 第57-58页 |
| 5.2 手势识别原型系统 | 第58-63页 |
| 5.2.1 手势分割模块功能与设计描述 | 第59-61页 |
| 5.2.2 特征提取模块功能与设计描述 | 第61-62页 |
| 5.2.3 手势识别模块功能与设计描述 | 第62-63页 |
| 5.3 本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| 6.1 工作总结 | 第64页 |
| 6.2 工作展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |
