基于视觉的应用于智能控制的手势识别技术的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 引言 | 第10-18页 |
| ·课题背景及研究意义 | 第10-11页 |
| ·国内外相关领域的研究现状 | 第11-14页 |
| ·国外相关领域的研究状况 | 第11-13页 |
| ·国内相关领域的研究现状 | 第13-14页 |
| ·基于视觉的手势识别理论基础 | 第14-16页 |
| ·模式识别概述 | 第14-15页 |
| ·基于视觉的手势识别理论 | 第15-16页 |
| ·基于视觉的手势识别的一般过程 | 第16页 |
| ·手势识别技术难点 | 第16-17页 |
| ·本文主要研究内容及结构 | 第17-18页 |
| 第二章 手势图像预处理 | 第18-29页 |
| ·图像平滑去噪 | 第18-20页 |
| ·邻域平均法 | 第18-19页 |
| ·中值滤波法 | 第19页 |
| ·频域滤波技术 | 第19-20页 |
| ·图像锐化 | 第20-22页 |
| ·基于二阶微分的图像锐化——拉普拉斯算子 | 第20-21页 |
| ·频域滤波锐化技术 | 第21-22页 |
| ·图像分割——阈值分割法 | 第22-23页 |
| ·图像形态学处理 | 第23-25页 |
| ·膨胀运算 | 第24页 |
| ·腐蚀运算 | 第24-25页 |
| ·开、闭运算 | 第25页 |
| ·本文采用的预处理算法及实现效果 | 第25-27页 |
| ·本章小结 | 第27-29页 |
| 第三章 基于脉冲耦合神经网络的边缘检测 | 第29-40页 |
| ·边缘检测 | 第29-30页 |
| ·各种边缘检测算子的比较 | 第30-31页 |
| ·基于脉冲耦合神经网络的边缘检测 | 第31-37页 |
| ·PCNN 基本特性 | 第31-32页 |
| ·PCNN 基本模型 | 第32-34页 |
| ·PCNN 参数设定 | 第34-35页 |
| ·PCNN 自动波传播过程 | 第35-36页 |
| ·PCNN 边缘检测算法详细流程 | 第36-37页 |
| ·基于PCNN 的边缘检测算法效果分析 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 基于二维极坐标傅里叶描绘子的特征提取 | 第40-51页 |
| ·特征提取 | 第40-41页 |
| ·基于一维傅里叶描绘子的特征提取 | 第41-44页 |
| ·离散傅里叶变换 | 第41-42页 |
| ·傅里叶描绘子的提取及归一化 | 第42-43页 |
| ·一维傅立叶描绘子算法实现流程 | 第43-44页 |
| ·基于改进的二维傅里叶描绘子的特征提取 | 第44-48页 |
| ·手势区域重心及面积 | 第44-45页 |
| ·二维离散傅里叶变换 | 第45-46页 |
| ·二维极坐标傅里叶描绘子 | 第46-47页 |
| ·算法实现 | 第47-48页 |
| ·算法模拟实现效果分析比较 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 基于改进的 BP 神经网络的识别技术 | 第51-64页 |
| ·神经网络模型 | 第51-56页 |
| ·神经元模型 | 第51-52页 |
| ·激励函数 | 第52-53页 |
| ·人工神经网络的结构 | 第53-54页 |
| ·神经网络的学习 | 第54-56页 |
| ·BP 神经网络模型 | 第56-60页 |
| ·BP 算法数学描述 | 第56-57页 |
| ·BP 神经网络优势及不足 | 第57-59页 |
| ·本文采用的改进的 BP 算法 | 第59-60页 |
| ·本文采用的BP 神经网络的设计 | 第60-62页 |
| ·本文识别算法实现步骤 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 第六章 算法系统实现及实验数据分析 | 第64-68页 |
| ·算法流程框架 | 第64-65页 |
| ·样本库建立 | 第65-66页 |
| ·算法测试及实验数据分析 | 第66-68页 |
| ·固定手势距离 | 第66页 |
| ·非固定采集距离 | 第66-67页 |
| ·实验数据分析 | 第67-68页 |
| 第七章 结论 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
