基于单目视觉移动拍摄的手势识别技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 注释表 | 第12-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 移动拍摄下手势识别的研究意义 | 第13页 |
| 1.2 指挥人员手势及体势的定义 | 第13-15页 |
| 1.2.1 手势指令的定义 | 第13-14页 |
| 1.2.2 指挥人员体势的定义 | 第14-15页 |
| 1.3 手势识别的流程 | 第15-16页 |
| 1.4 国内外研究现状 | 第16-20页 |
| 1.4.1 人体检测 | 第17-18页 |
| 1.4.2 脸部检测 | 第18-19页 |
| 1.4.3 手势识别 | 第19-20页 |
| 1.5 本文研究内容 | 第20-21页 |
| 第二章 指挥人员定位 | 第21-37页 |
| 2.1 基于统计学习的检测方法 | 第21-22页 |
| 2.2 基于Haar-Adaboost的检测方法 | 第22-25页 |
| 2.2.1 Haar特征 | 第22-23页 |
| 2.2.2 弱分类器与强分类器 | 第23-24页 |
| 2.2.3 基于Adaboost的分类器 | 第24-25页 |
| 2.2.4 分类器的级联 | 第25页 |
| 2.3 基于HOG-SVM的检测方法 | 第25-28页 |
| 2.3.1 HOG特征 | 第25-27页 |
| 2.3.2 基于SVM的分类器 | 第27-28页 |
| 2.4 指挥人员检测区域与分类器选择 | 第28-30页 |
| 2.4.1 分类器的性能指标 | 第28页 |
| 2.4.2 检测目标与分类算法比较 | 第28-30页 |
| 2.5 基于Adaboost轮廓匹配方法 | 第30-32页 |
| 2.5.1 改进的轮廓提取算法 | 第31-32页 |
| 2.5.2 Hausdorff距离匹配模型 | 第32页 |
| 2.6 基于Adaboost轮廓匹配的分类器 | 第32-35页 |
| 2.7 实验与结果 | 第35-36页 |
| 2.8 本章小结 | 第36-37页 |
| 第三章 脸部检测 | 第37-42页 |
| 3.1 检测区域 | 第37-38页 |
| 3.2 脸部检测 | 第38-41页 |
| 3.2.1 LBP特征 | 第38-39页 |
| 3.2.2 多块局部二值特征 | 第39页 |
| 3.2.3 LBP脸部检测过程 | 第39-40页 |
| 3.2.4 基于Haar特征的脸部检测 | 第40页 |
| 3.2.5 结果及性能比较 | 第40-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第四章 手部检测 | 第42-55页 |
| 4.1 手部分割 | 第42-46页 |
| 4.1.1 RGB空间 | 第42-43页 |
| 4.1.2 HSV空间 | 第43-44页 |
| 4.1.3 YCrCb空间 | 第44页 |
| 4.1.4 手部分割实验 | 第44-46页 |
| 4.2 手部位置 | 第46-49页 |
| 4.2.1 手部质心计算 | 第46-48页 |
| 4.2.2 手部相对位置计算 | 第48-49页 |
| 4.3 手部跟踪 | 第49-52页 |
| 4.3.1 卡尔曼滤波器 | 第49-50页 |
| 4.3.2 α-β滤波跟踪 | 第50-51页 |
| 4.3.3 α-β滤波器计算步骤 | 第51-52页 |
| 4.4 手部跟踪实验 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 手势轨迹识别 | 第55-64页 |
| 5.1 隐马尔可夫模型（HMM） | 第55-57页 |
| 5.2 手势轨迹识别特征提取 | 第57-58页 |
| 5.3 单手手势识别 | 第58-60页 |
| 5.3.1 基于HMM的识别过程 | 第58页 |
| 5.3.2 手势识别训练 | 第58-59页 |
| 5.3.3 单手手势识别实验 | 第59-60页 |
| 5.4 静止手势识别 | 第60-62页 |
| 5.4.1 k近邻分类算法 | 第60-61页 |
| 5.4.2 静止手势的识别实验 | 第61-62页 |
| 5.5 双手手势识别 | 第62-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-67页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 在学期间的研究成果及发表的学术论文 | 第71页 |
