| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究目的及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 计算机视觉研究现状 | 第12-13页 |
| 1.2.2 手势识别研究现状 | 第13-14页 |
| 1.3 本文主要工作 | 第14-15页 |
| 1.4 本文组织安排 | 第15-17页 |
| 第2章 人手分割和检测技术 | 第17-32页 |
| 2.1 引言 | 第17页 |
| 2.2 数字图像预处理 | 第17-19页 |
| 2.2.1 图像颜色空间转换 | 第17-18页 |
| 2.2.2 数字图像滤波 | 第18页 |
| 2.2.3 数字图像直方图均衡化 | 第18-19页 |
| 2.3 基于肤色分割的人手检测 | 第19-23页 |
| 2.3.1 颜色空间类型的选取 | 第19-20页 |
| 2.3.2 肤色分割模型 | 第20-21页 |
| 2.3.3 数字图像形态学处理 | 第21-23页 |
| 2.3.4 肤色区域判定 | 第23页 |
| 2.4 基于Adaboost分类器的人手检测 | 第23-29页 |
| 2.4.1 Adaboost算法原理 | 第23-24页 |
| 2.4.2 Haar-Like特征和积分图 | 第24-26页 |
| 2.4.3 Adaboost Haar分类器的实现 | 第26-29页 |
| 2.5 基于肤色和Adaboost分类器的人手检测 | 第29页 |
| 2.6 实验结果及对比分析 | 第29-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第3章 基于粒子滤波的人手跟踪及其改进 | 第32-48页 |
| 3.1 引言 | 第32页 |
| 3.2 基本粒子滤波跟踪算法 | 第32-37页 |
| 3.2.1 粒子滤波算法原理 | 第32-35页 |
| 3.2.2 基于颜色模型的粒子滤波算法 | 第35-37页 |
| 3.3 改进粒子滤波跟踪算法 | 第37-42页 |
| 3.3.1 基于风驱动优化的粒子滤波算法 | 第37-41页 |
| 3.3.2 基于花授粉优化的粒子滤波算法 | 第41-42页 |
| 3.4 仿真与实验结果分析 | 第42-47页 |
| 3.4.1 粒子滤波算法仿真分析 | 第43-44页 |
| 3.4.2 粒子滤波算法实验分析 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 手势识别技术 | 第48-62页 |
| 4.1 引言 | 第48-49页 |
| 4.2 卷积神经网络 | 第49-57页 |
| 4.2.1 CNN网络基本结构 | 第49-50页 |
| 4.2.2 CNN反向传播算法 | 第50-52页 |
| 4.2.3 一种典型的卷积神经网络——LeNet-5 | 第52-54页 |
| 4.2.4 基于手势图像的LeNet-5网络训练 | 第54-57页 |
| 4.3 模板匹配识别法 | 第57-59页 |
| 4.4 基于卷积神经网络和模板匹配的联合识别 | 第59-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 字母手势输入识别系统设计与实现 | 第62-69页 |
| 5.1 字母手势识别系统综述 | 第62页 |
| 5.2 手势识别系统设计与实现 | 第62-65页 |
| 5.2.1 手势识别系统的设计 | 第62-63页 |
| 5.2.2 手势识别系统的实现 | 第63-65页 |
| 5.3 手势识别系统演示 | 第65-68页 |
| 5.4 本章小结 | 第68-69页 |
| 总结与展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间发表的论文 | 第76页 |
