| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-25页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状和发展趋势 | 第16-21页 |
| 1.3 难点及需解决的问题 | 第21-22页 |
| 1.3.1 手势检测与跟踪的难点 | 第21页 |
| 1.3.2 解决办法 | 第21-22页 |
| 1.4 主要研究内容和结构安排 | 第22-24页 |
| 1.4.1 主要研究内容 | 第22-23页 |
| 1.4.2 章节安排 | 第23-24页 |
| 1.5 本章小结 | 第24-25页 |
| 第2章 成像系统分析与图像去噪 | 第25-42页 |
| 2.1 引言 | 第25页 |
| 2.2 成像系统分析 | 第25-30页 |
| 2.2.1 镜头的主要参数 | 第26页 |
| 2.2.2 提高图像清晰度的要领 | 第26-29页 |
| 2.2.3 摄像头的载荷噪声 | 第29-30页 |
| 2.3 图像去噪方法 | 第30-32页 |
| 2.3.1 均值滤波 | 第30页 |
| 2.3.2 中值滤波 | 第30-31页 |
| 2.3.3 维纳滤波 | 第31页 |
| 2.3.4 常规去噪方法的不足与改进对策 | 第31-32页 |
| 2.4 基于PCNN的自适应去噪与增强 | 第32-41页 |
| 2.4.1 PCNN神经元模型 | 第33-34页 |
| 2.4.2 PCNN的动态响应机制 | 第34页 |
| 2.4.3 基于PCNN的自适应窗快速去噪策略 | 第34-37页 |
| 2.4.4 基于PCNN的自适应窗快速去噪算法 | 第37-39页 |
| 2.4.5 仿真结果与分析 | 第39-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第3章 基于CascadeAdaBoost算法的手势检测研究 | 第42-61页 |
| 3.1 引言 | 第42页 |
| 3.2 AdaBoost中的重要概念 | 第42-44页 |
| 3.2.1 弱学习与强学习 | 第42-43页 |
| 3.2.2 Boosting算法 | 第43-44页 |
| 3.3 局部特征选择与提取 | 第44-50页 |
| 3.3.1 局部特征选择要点 | 第44页 |
| 3.3.2 矩形特征描述 | 第44-45页 |
| 3.3.3 矩形特征的选取 | 第45-47页 |
| 3.3.4 检测器内特征总数 | 第47-48页 |
| 3.3.5 矩形特征值的表示 | 第48-50页 |
| 3.4 AdaBoost分类算法 | 第50-54页 |
| 3.4.1 算法描述 | 第51-53页 |
| 3.4.2 弱分类器 | 第53-54页 |
| 3.5 CascadeAdaboost分类器 | 第54-60页 |
| 3.5.1 设计CascadeAdaboost分类器的目的 | 第54页 |
| 3.5.2 算法的基本思想 | 第54-55页 |
| 3.5.3 CascadeAdaBoost训练算法 | 第55-56页 |
| 3.5.4 实验结果与分析 | 第56-60页 |
| 3.6 本章小结 | 第60-61页 |
| 第4章 光流跟踪算法研究 | 第61-77页 |
| 4.1 引言 | 第61页 |
| 4.2 光流法概述 | 第61-63页 |
| 4.3 光流约束方程 | 第63-64页 |
| 4.4 Horn-Schunck算法 | 第64-67页 |
| 4.4.1 Horn-Schunck算法工作原理 | 第65-66页 |
| 4.4.2 实验结果与分析 | 第66-67页 |
| 4.5 自适应的KLT跟踪算法 | 第67-76页 |
| 4.5.1 KLT跟踪算法原理 | 第67-69页 |
| 4.5.2 跟踪特征点选择 | 第69-71页 |
| 4.5.3 自适应跟踪策略 | 第71-72页 |
| 4.5.4 基于KLT的自适应跟踪算法 | 第72-74页 |
| 4.5.5 实验结果与分析 | 第74-76页 |
| 4.6 本章小结 | 第76-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-84页 |
| 致谢 | 第84页 |
