| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 基于视觉的手势识别 | 第12-13页 |
| 1.2.2 基于可穿戴传感器的手势识别 | 第13页 |
| 1.2.3 基于主动雷达的手势识别 | 第13-15页 |
| 1.3 基于主动超声技术的手势识别研究现状分析 | 第15-20页 |
| 1.3.1 实现手势识别的基本方法 | 第15页 |
| 1.3.2 常用的手势信号预处理方法 | 第15-17页 |
| 1.3.3 常用的手势分类方法 | 第17-19页 |
| 1.3.4 研究现状分析 | 第19-20页 |
| 1.4 主要内容与论文组织结构 | 第20-21页 |
| 第2章 系统硬件设计 | 第21-37页 |
| 2.1 引言 | 第21页 |
| 2.2 基于主动超声技术的手势识别方法的原理 | 第21-24页 |
| 2.2.1 超声波及其特点 | 第21-22页 |
| 2.2.2 多普勒效应 | 第22页 |
| 2.2.3 基于主动超声的手势识别 | 第22-24页 |
| 2.3 硬件设计 | 第24-29页 |
| 2.3.1 主控核心 | 第24-25页 |
| 2.3.2 超声波的产生 | 第25-26页 |
| 2.3.3 超声波的接收 | 第26-28页 |
| 2.3.4 其他电路 | 第28页 |
| 2.3.5 硬件电路PCB制作 | 第28-29页 |
| 2.4 采集程序的设计 | 第29-32页 |
| 2.4.1 超声的发射与采集 | 第29-30页 |
| 2.4.2 数据的存储 | 第30-31页 |
| 2.4.3 数据的传输 | 第31页 |
| 2.4.4 内存的管理 | 第31-32页 |
| 2.5 硬件装置的验证 | 第32-36页 |
| 2.5.1 硬件的成本及功耗 | 第32页 |
| 2.5.2 样机及测试 | 第32-33页 |
| 2.5.3 数据采集结果 | 第33-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第3章 手势信号的预处理 | 第37-51页 |
| 3.1 引言 | 第37页 |
| 3.2 使用频域方法对信号进行处理 | 第37-44页 |
| 3.2.1 使用RIFE算法估计频率 | 第37-38页 |
| 3.2.2 STM32F4内实现RIFE算法 | 第38-40页 |
| 3.2.3 使用改进的过零法进行快速的频率估计 | 第40页 |
| 3.2.4 使用改进的过零检测法估计频率 | 第40-44页 |
| 3.3 在幅值域和时域对信号进行分析 | 第44-46页 |
| 3.3.1 幅值域的处理 | 第44-46页 |
| 3.4 使用FBGD方法对手势进行截取 | 第46-48页 |
| 3.4.1 对手势进行提取 | 第46-48页 |
| 3.5 幅值信息及FBGD法在STM32中的移植 | 第48-50页 |
| 3.5.1 在STM32中实现低通滤波 | 第49-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第4章 手势分类及实验结果 | 第51-59页 |
| 4.1 引言 | 第51页 |
| 4.2 使用SVM与ANN结合的方法对手势进行分类 | 第51-56页 |
| 4.2.1 支持向量机和神经网络的基本理论 | 第51-54页 |
| 4.2.2 使用SVM对手势进行分类 | 第54-55页 |
| 4.2.3 对垂直方向手势进行分类 | 第55-56页 |
| 4.2.4 对水平方向手势进行分类 | 第56页 |
| 4.2.5 分类算法的移植 | 第56页 |
| 4.3 实验过程及数据的采集 | 第56-57页 |
| 4.4 分类结果及讨论 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 全文内容总结 | 第59页 |
| 5.2 进一步的研究与展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第67页 |