复杂背景下的手势识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 当前研究难点 | 第9-10页 |
| 1.4 本文研究工作 | 第10-12页 |
| 第二章 手势识别基本算法 | 第12-28页 |
| 2.1 手势分割算法 | 第12-16页 |
| 2.1.1 基于肤色的分割算法 | 第12-15页 |
| 2.1.2 基于运动信息的手势分割 | 第15-16页 |
| 2.2 手势特征提取算法 | 第16-24页 |
| 2.2.1 梯度的特征 | 第16-19页 |
| 2.2.2 LBP特征 | 第19-20页 |
| 2.2.3 Hu矩特征 | 第20-21页 |
| 2.2.4 卷积神经网络的特征 | 第21-24页 |
| 2.3 手势分类算法 | 第24-28页 |
| 2.3.1 支持向量机 | 第24-25页 |
| 2.3.2 Softmax回归 | 第25-28页 |
| 第三章 联合运动和肤色分割的手势识别方法 | 第28-39页 |
| 3.1 平滑处理 | 第28-29页 |
| 3.1.1 均值滤波器 | 第28-29页 |
| 3.1.2 中值滤波器 | 第29页 |
| 3.1.3 高斯滤波器 | 第29页 |
| 3.2 图像增强 | 第29-31页 |
| 3.2.1 光照补偿 | 第29-31页 |
| 3.2.2 色彩平衡 | 第31页 |
| 3.3 基于肤色和运动检测的手势分割 | 第31-33页 |
| 3.4 形态学处理 | 第33-35页 |
| 3.5 边缘检测 | 第35-36页 |
| 3.6 实验设计及结果分析 | 第36-39页 |
| 3.6.1 实验设计 | 第36-37页 |
| 3.6.2 定性分析结果 | 第37-38页 |
| 3.6.3 定量分析结果 | 第38-39页 |
| 第四章 基于Faster R-CNN手势识别算法 | 第39-52页 |
| 4.1 手势样本库构建 | 第39-40页 |
| 4.2 Faster R-CNN手势识别模型配置 | 第40-44页 |
| 4.2.1 初始化CNN网络 | 第41页 |
| 4.2.2 RPN网络 | 第41-42页 |
| 4.2.3 Fast R-CNN网络 | 第42页 |
| 4.2.4 模型训练方法 | 第42-44页 |
| 4.3 Faster R-CNN手势识别模型训练 | 第44-46页 |
| 4.3.1 训练过程 | 第44-45页 |
| 4.3.2 识别过程 | 第45-46页 |
| 4.4 实验设计及结果分析 | 第46-52页 |
| 4.4.1 实验设计 | 第46-47页 |
| 4.4.2 定性分析结果 | 第47-49页 |
| 4.4.3 定量分析结果 | 第49-52页 |
| 第五章 结论与展望 | 第52-54页 |
| 5.1 主要工作内容 | 第52页 |
| 5.2 问题与展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-62页 |
| 攻读硕士期间完成的科研情况 | 第62页 |
