动态手势轨迹识别技术的研究与实现
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-13页 |
| 1.1.1 手势识别及其应用 | 第10-11页 |
| 1.1.2 手势识别技术的分类 | 第11-12页 |
| 1.1.3 手势识别算法 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 研究内容及意义 | 第15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第2章 相关技术及算法原理 | 第17-24页 |
| 2.1 动态时间规整算法 | 第17-19页 |
| 2.1.1 动态时间规整算法框架 | 第18-19页 |
| 2.2 粒子滤波算法 | 第19-22页 |
| 2.2.1 贝叶斯滤波框架 | 第20页 |
| 2.2.2 蒙特卡洛方法 | 第20-21页 |
| 2.2.3 粒子滤波的算法流程 | 第21-22页 |
| 2.3 虚拟现实技术 | 第22-23页 |
| 2.4 Unreal Engine4引擎 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 自适应动态时间规整算法的研究 | 第24-35页 |
| 3.1 优化方案 | 第25-28页 |
| 3.1.1 结构化状态空间设计 | 第25-26页 |
| 3.1.2 全局约束条件和识别阈值 | 第26-28页 |
| 3.1.3 梯度矩阵 | 第28页 |
| 3.2 基于自适应动态时间规整的手势轨迹识别 | 第28-30页 |
| 3.3 实验结果与分析 | 第30-33页 |
| 3.3.1 实验设置及实验平台 | 第30页 |
| 3.3.2 手势轨迹的定义 | 第30页 |
| 3.3.3 实验系统 | 第30-31页 |
| 3.3.4 第一组手势轨迹识别实验过程与结果 | 第31-32页 |
| 3.3.5 第二组手势轨迹识别实验过程与结果 | 第32-33页 |
| 3.3.6 参数对识别精度和运行效率的影响 | 第33页 |
| 3.4 本章小结 | 第33-35页 |
| 第4章 基于粒子滤波的手势轨迹识别算法的研究 | 第35-49页 |
| 4.1 手势追踪的预处理 | 第35-36页 |
| 4.2 状态空间模型的设计 | 第36-37页 |
| 4.3 手势轨迹追踪 | 第37-43页 |
| 4.3.1 状态转移模型设计 | 第38页 |
| 4.3.2 粒子观测模型设计 | 第38-39页 |
| 4.3.3 粒子重采样 | 第39-41页 |
| 4.3.4 手势轨迹的推断与决策 | 第41-43页 |
| 4.4 算法框架 | 第43页 |
| 4.5 实验结果及分析 | 第43-48页 |
| 4.5.1 手势轨迹的定义 | 第43页 |
| 4.5.2 第一组手势轨迹识别实验过程与结果 | 第43-45页 |
| 4.5.3 第二组手势轨迹识别实验过程与结果 | 第45-46页 |
| 4.5.4 粒子数目对识别精度和运行效率的影响 | 第46-47页 |
| 4.5.5 样本数量对识别精度和运行效率的影响 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第5章 基于虚拟现实的手势轨迹识别系统 | 第49-53页 |
| 5.1 系统软硬件环境 | 第49页 |
| 5.2 系统模块设计 | 第49-50页 |
| 5.3 系统交互设计 | 第50-51页 |
| 5.4 系统功能展示 | 第51页 |
| 5.5 问卷调查 | 第51-52页 |
| 5.6 本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 未来工作的展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间的研究成果 | 第62页 |
