| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9页 |
| 1.2 手势跟踪与识别技术发展现状 | 第9-13页 |
| 1.2.1 手势跟踪技术的国内外发展现状 | 第10-11页 |
| 1.2.2 手势识别技术的国内外发展现状 | 第11-13页 |
| 1.3 技术难点 | 第13-14页 |
| 1.4 本课题主要研究内容 | 第14-16页 |
| 第2章 手掌检测模块 | 第16-30页 |
| 2.1 Adaboost算法检测原理 | 第16-21页 |
| 2.1.1 背景介绍 | 第16-17页 |
| 2.1.2 分类器设计 | 第17-20页 |
| 2.1.3 级联分类器 | 第20-21页 |
| 2.2 Adaboost算法误差分析 | 第21-22页 |
| 2.2.1 训练误差 | 第21-22页 |
| 2.2.2 泛化误差 | 第22页 |
| 2.3 融合肤色模型与HOG特征的手掌检测 | 第22-28页 |
| 2.3.1 手势肤色模型 | 第23-25页 |
| 2.3.2 基于HOG特征的Adaboost分类器 | 第25-28页 |
| 2.3.3 YCb`Cr`肤色模型与Adaboost算法结合 | 第28页 |
| 2.4 实验与结果分析 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 变形手势跟踪模块 | 第30-51页 |
| 3.1 特征空间模型 | 第30-32页 |
| 3.1.1 特征空间建模 | 第30-32页 |
| 3.1.2 特征空间模型的求解 | 第32页 |
| 3.2 基于颜色特征的跟踪算法 | 第32-36页 |
| 3.2.1 手势目标颜色模型 | 第33页 |
| 3.2.2 颜色概率密度图像 | 第33-34页 |
| 3.2.3 连续自适应均值漂移算法 | 第34-36页 |
| 3.3 抗相近色干扰的变形手势跟踪方案 | 第36-39页 |
| 3.4 目标丢失再检测方案 | 第39-42页 |
| 3.4.1 高概率区域检测 | 第40页 |
| 3.4.2 方差分类器 | 第40-41页 |
| 3.4.3 贝叶斯最小成本决策规则 | 第41-42页 |
| 3.5 实验与结果分析 | 第42-50页 |
| 3.5.1 不同应用场景的鲁棒性测试 | 第42-44页 |
| 3.5.2 不同跟踪算法跟踪性能对比 | 第44-47页 |
| 3.5.3 其他抗相近色干扰方法对比 | 第47-49页 |
| 3.5.4 跟踪失效实验分析 | 第49-50页 |
| 3.6 本章小节 | 第50-51页 |
| 第4章 静态手势识别模块 | 第51-70页 |
| 4.1 基于卷积神经网络的静态手势识别 | 第51-60页 |
| 4.1.1 神经网络 | 第51-54页 |
| 4.1.2 卷积神经网络 | 第54-58页 |
| 4.1.3 卷积神经网络训练过程 | 第58-59页 |
| 4.1.4 实验与结果分析 | 第59-60页 |
| 4.2 基于K近邻分类器的静态手势识别 | 第60-67页 |
| 4.2.1 K近邻算法 | 第60-61页 |
| 4.2.2 基于多特征融合的K近邻分类器训练过程 | 第61-65页 |
| 4.2.3 实验与结果分析 | 第65-67页 |
| 4.3 两种识别算法比较 | 第67-68页 |
| 4.4 人机交互系统整体框架 | 第68-69页 |
| 4.5 本章小结 | 第69-70页 |
| 结论 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第76-78页 |
| 致谢 | 第78页 |