基于PCA-HOG与LBP特征融合的静态手势识别方法研究
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 国内外相关领域研究现状 | 第13-14页 |
| 1.3 手势识别研究综述 | 第14-16页 |
| 1.3.1 手势的定义 | 第14页 |
| 1.3.2 手势识别系统的研究现状 | 第14页 |
| 1.3.3 手势特征提取的研究现状 | 第14-15页 |
| 1.3.4 手势分类识别的研究现状 | 第15-16页 |
| 1.4 论文研究内容 | 第16页 |
| 1.5 论文组织结构 | 第16-18页 |
| 第2章 手势图像预处理 | 第18-22页 |
| 2.1 图像灰度化 | 第18页 |
| 2.2 图像尺寸归一化 | 第18-20页 |
| 2.3 图像滤波 | 第20-21页 |
| 2.3.1 局部平均法 | 第20页 |
| 2.3.2 中值滤波法 | 第20-21页 |
| 本章小结 | 第21-22页 |
| 第3章 基于梯度直方图的识别算法设计 | 第22-36页 |
| 3.1 训练样本的选择 | 第22页 |
| 3.2 梯度方向直方图特征 | 第22-27页 |
| 3.2.1 梯度方向直方图特征概述 | 第23-24页 |
| 3.2.2 手势图像的HOG特征提取 | 第24-27页 |
| 3.3 支持向量机理论 | 第27-32页 |
| 3.3.1 SVM分类原理 | 第27-31页 |
| 3.3.1.1 线性可分的情况 | 第27-30页 |
| 3.3.1.2 线性不可分的情况 | 第30-31页 |
| 3.3.2 SVM多分类方法 | 第31页 |
| 3.3.3 SVM核函数 | 第31-32页 |
| 3.4 HOG+SVM分类器训练及实验分析 | 第32-35页 |
| 3.4.1 HOG+SVM训练方法 | 第32-33页 |
| 3.4.2 基于HOG+SVM的实验结果 | 第33-35页 |
| 本章小结 | 第35-36页 |
| 第4章 改进的手势识别算法设计 | 第36-50页 |
| 4.1 主成分分析算法 | 第36-40页 |
| 4.1.1 主成分分析算法的原理 | 第36-39页 |
| 4.1.2 PCA-HOG特征的计算方法 | 第39页 |
| 4.1.3 基于PCA-HOG的实验结果 | 第39-40页 |
| 4.2 局部二值模式特征 | 第40-45页 |
| 4.2.1 局部二值模式概述 | 第40-43页 |
| 4.2.2 手势图像的LBP特征提取 | 第43-44页 |
| 4.2.3 基于LBP+SVM的实验结果 | 第44-45页 |
| 4.3 手势特征融合 | 第45-46页 |
| 4.4 本文算法概述及流程图 | 第46-47页 |
| 4.5 基于融合特征的实验结果分析 | 第47页 |
| 4.5.1 基于HOG+LBP的实验结果 | 第47页 |
| 4.5.2 基于PCA-HOG+LBP的实验结果 | 第47页 |
| 4.6 实验结果分类讨论 | 第47-49页 |
| 本章小结 | 第49-50页 |
| 第5章 手势识别原型系统实现及实验结果 | 第50-57页 |
| 5.1 手势识别系统平台的组成 | 第50-51页 |
| 5.1.1 硬件组成 | 第50-51页 |
| 5.1.2 Open CV介绍 | 第51页 |
| 5.2 手势检测识别主要功能模块 | 第51-54页 |
| 5.2.1 读取视频图像功能 | 第52-53页 |
| 5.2.2 手势检测模块 | 第53页 |
| 5.2.3 结果显示模块 | 第53-54页 |
| 5.3 实验结果与分析 | 第54-56页 |
| 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读学位期间发表的学术论文 | 第64页 |
