面向智能服务机器人的手势识别技术研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 课题研究现状 | 第9-10页 |
| 1.3 课题研究难点 | 第10-11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 第2章 手势识别基础理论 | 第12-17页 |
| 2.1 传感器技术 | 第12-14页 |
| 2.1.1 数据采集方式 | 第12-14页 |
| 2.1.2 传感器分析 | 第14页 |
| 2.2 数据预处理 | 第14-15页 |
| 2.3 手势检测与特征提取 | 第15-16页 |
| 2.4 本章小结 | 第16-17页 |
| 第3章 静态手势识别环境适应性 | 第17-34页 |
| 3.1 基于CNN的静态手势识别 | 第17-27页 |
| 3.1.1 手势设计选取 | 第18页 |
| 3.1.2 模式可切换数据预处理 | 第18-21页 |
| 3.1.3 卷积神经网络 | 第21-23页 |
| 3.1.4 网络与训练 | 第23-26页 |
| 3.1.5 实验结果与分析 | 第26-27页 |
| 3.2 基于SVM的静态手势识别 | 第27-33页 |
| 3.2.1 方向梯度直方图与支撑向量机 | 第27-31页 |
| 3.2.2 普通摄像头改造 | 第31-32页 |
| 3.2.3 实验结果与分析 | 第32-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 基于多重LSTM网络动态手势识别 | 第34-43页 |
| 4.1 手势设计选取 | 第34-35页 |
| 4.2 算法与架构 | 第35-40页 |
| 4.2.1 Kinect骨骼跟踪 | 第35-38页 |
| 4.2.2 循环神经网络和长短期记忆模型 | 第38-40页 |
| 4.3 基于LSTM动态手势识别 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 手势识别应用于人机交互仿真验证 | 第43-50页 |
| 5.1 ROS机器人操作系统 | 第43-45页 |
| 5.2 RViz数据可视化工具 | 第45页 |
| 5.3 PR2机器人 | 第45-47页 |
| 5.4 手势识别人机交互 | 第47-49页 |
| 5.5 本章小结 | 第49-50页 |
| 第6章 总结与展望 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间的研究成果 | 第57页 |
