融合深度数据的人机交互手势识别研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-24页 |
| 1.1 研究背景 | 第13-15页 |
| 1.1.1 人机交互 | 第13页 |
| 1.1.2 手势 | 第13-14页 |
| 1.1.3 研究对象及研究思路 | 第14-15页 |
| 1.2 手势分割 | 第15-17页 |
| 1.3 手势跟踪 | 第17-18页 |
| 1.4 手势识别 | 第18-23页 |
| 1.4.1 数据集合 | 第19-22页 |
| 1.4.2 支持向量机 | 第22-23页 |
| 1.5 本文主要研究内容 | 第23-24页 |
| 2 融合深度数据的人机交互手势分割研究 | 第24-45页 |
| 2.1 引言 | 第24-25页 |
| 2.2 颜色空间 | 第25-31页 |
| 2.2.1 RGB空间 | 第25-26页 |
| 2.2.2 YCrCb空间 | 第26-27页 |
| 2.2.3 HSV空间 | 第27-28页 |
| 2.2.4 颜色空间的转换 | 第28-29页 |
| 2.2.5 颜色空间的选择 | 第29-31页 |
| 2.3 高斯模型 | 第31-39页 |
| 2.3.1 高斯分布 | 第31-32页 |
| 2.3.2 单一高斯模型 | 第32-34页 |
| 2.3.3 高斯混合模型 | 第34-39页 |
| 2.4 基于动态深度阈值的手势分割算法 | 第39-41页 |
| 2.4.1 建立肤色模型 | 第39页 |
| 2.4.2 建立深度模型 | 第39-40页 |
| 2.4.3 设置深度阈值 | 第40页 |
| 2.4.4 手势分割 | 第40-41页 |
| 2.5 实验结果及分析 | 第41-44页 |
| 2.5.1 实验环境设置 | 第42页 |
| 2.5.2 肤色查准率、查全率及ROC曲线 | 第42-43页 |
| 2.5.3 深度查准率、查全率及ROC曲线 | 第43-44页 |
| 2.5.4 对比与分析 | 第44页 |
| 2.6 本章小结 | 第44-45页 |
| 3 融合深度数据的人机交互手势跟踪研究 | 第45-67页 |
| 3.1 引言 | 第45页 |
| 3.2 均值漂移算法 | 第45-50页 |
| 3.2.1 均值向量的定义 | 第46页 |
| 3.2.2 均值向量的扩展 | 第46-47页 |
| 3.2.3 均值漂移算法的迭代 | 第47-48页 |
| 3.2.4 均值漂移算法的收敛性 | 第48-49页 |
| 3.2.5 均值漂移算法的应用 | 第49-50页 |
| 3.3 Bayes滤波 | 第50-52页 |
| 3.4 粒子滤波算法 | 第52-59页 |
| 3.4.1 重要性采样 | 第52-53页 |
| 3.4.2 序贯重要性采样 | 第53-55页 |
| 3.4.3 重要性概率密度函数 | 第55-57页 |
| 3.4.4 重采样方法 | 第57-58页 |
| 3.4.5 粒子滤波算法步骤 | 第58-59页 |
| 3.5 基于深度模型的手势跟踪算法 | 第59-61页 |
| 3.5.1 相对深度直方图 | 第59页 |
| 3.5.2 权重漂移重采样 | 第59-60页 |
| 3.5.3 手势跟踪 | 第60-61页 |
| 3.6 实验结果及分析 | 第61-66页 |
| 3.6.1 实验环境设置 | 第62页 |
| 3.6.2 三种算法的跟踪结果对比 | 第62-63页 |
| 3.6.3 多种图像特征模型的跟踪结果 | 第63-64页 |
| 3.6.4 多种距离度量方法的跟踪结果 | 第64-65页 |
| 3.6.5 多种粒子重采样方法的跟踪结果 | 第65-66页 |
| 3.6.6 对比与分析 | 第66页 |
| 3.7 本章小结 | 第66-67页 |
| 4 融合深度数据的人机交互手势识别研究 | 第67-94页 |
| 4.1 引言 | 第67页 |
| 4.2 教育手势数据集合 | 第67-70页 |
| 4.2.1 静态手势 | 第68页 |
| 4.2.2 动态手势 | 第68-69页 |
| 4.2.3 手势数据集合结构 | 第69-70页 |
| 4.3 静态手势表示与描述 | 第70-73页 |
| 4.3.1 手势统计特征 | 第70-72页 |
| 4.3.2 手势轮廓特征 | 第72-73页 |
| 4.3.3 手势结构特征 | 第73页 |
| 4.4 动态手势表示与描述 | 第73-75页 |
| 4.4.1 Location | 第73-74页 |
| 4.4.2 Orientation | 第74页 |
| 4.4.3 Velocity | 第74-75页 |
| 4.5 支持向量机 | 第75-86页 |
| 4.5.1 问题描述 | 第75-77页 |
| 4.5.2 线性可分支持向量机 | 第77-79页 |
| 4.5.3 线性支持向量机 | 第79-81页 |
| 4.5.4 非线性支持向量机 | 第81-83页 |
| 4.5.5 基于相对径向距离的超球支持向量机 | 第83-86页 |
| 4.6 基于SVM的静态手势识别 | 第86-90页 |
| 4.6.1 实验环境设置 | 第86-87页 |
| 4.6.2 三组图像特征向量的识别结果 | 第87-88页 |
| 4.6.3 两种分类器的识别结果 | 第88-89页 |
| 4.6.4 对比与分析 | 第89-90页 |
| 4.7 基于SVM的动态手势运动轨迹识别 | 第90-93页 |
| 4.7.1 实验环境设置 | 第90页 |
| 4.7.2 融合深度特征与传统特征的识别结果 | 第90-92页 |
| 4.7.3 两种分类器的识别结果 | 第92-93页 |
| 4.7.4 对比与分析 | 第93页 |
| 4.8 本章小结 | 第93-94页 |
| 5 手势图像数据集合及手势识别工具箱实现 | 第94-103页 |
| 5.1 引言 | 第94-95页 |
| 5.2 手势图像数据集合设计 | 第95-96页 |
| 5.3 手势识别工具箱设计 | 第96-102页 |
| 5.3.1 系统概述 | 第96-97页 |
| 5.3.2 图像输入模块 | 第97-98页 |
| 5.3.3 手势分割模块 | 第98-100页 |
| 5.3.4 手势跟踪模块 | 第100-101页 |
| 5.3.5 手势识别模块 | 第101-102页 |
| 5.3.6 算法上传模块 | 第102页 |
| 5.4 系统运行 | 第102页 |
| 5.5 本章小结 | 第102-103页 |
| 6 总结与展望 | 第103-106页 |
| 6.1 本文工作总结 | 第103-104页 |
| 6.2 本文的主要贡献和创新 | 第104页 |
| 6.3 本文存在的不足 | 第104-105页 |
| 6.4 下一步的工作 | 第105-106页 |
| 参考文献 | 第106-114页 |
| 攻读学位期间发表的论文、科研成果 | 第114-115页 |
| 致谢 | 第115页 |
