一、一种改进的CAMSHIFT手势跟踪算法（论文文献综述）
张湃[1]（2020）在《基于机器视觉的手势识别技术研究》文中提出随着人工智能热潮的到来,机器视觉技术也随之得到蓬勃发展,因为其具有检测精度高、实时性强等优点,所以在众多领域得到应用。手势,作为人类表达信息的重要方式同时也是人机交互技术的重要媒介,基于手势的人机交互技术已成为众多学者的研究重点。本文主要研究了基于机器视觉的手势识别相关技术,主要研究内容如下:1)针对手势图像中手势位置、角度、大小不同造成手势识别率高低不一的问题,分别对手势图像提取HOG特征、SIFT特征以及SURF特征,随后将提取的手势特征通过SVM训练分类器,用训练好的分类器对静态手势进行分类识别。实验表明,利用SURF特征和“词袋”思想相结合的方式识别手势效果最好。2)针对传统手势识别方法中手势识别率受选取特征好坏影响的不足,本文提出利用YOLOv3深度神经网络模型对静态手势进行识别,首先对模型中的关键点进行介绍,然后对该模型进行改进,具体来说,先将原来模型的三个检测尺度增加至四个,以此提高对小目标手势的检测能力,随后用K-means++算法修改模型的聚类标注信息锚框,接着分别采用DIo U（Distance-Io U）及Focal损失函数改进坐标误差损失函数及置信度损失函数,最后采用并行处理方式对候选框进行遍历,以此提高非极大值抑制算法的运行速度。实验结果表明改进后的YOLOv3网络模型训练速度更快、识别效果更理想。3)针对动态手势识别过程中手势检测与分割效果不理想、跟踪手势易丢失及手势识别效果不佳的情况,本文采用椭圆肤色模型和背景差分相结合的方法将手势区域从背景中分离出来,随后对Camshift算法进行改进即判定肤色区域不仅考虑手势图像的H分量同时需要判定其S分量,采用此方法可以提高手势区域的判定正确率,之后将手势运动的空间特性加入到手势跟踪过程中,这样大幅度提升了动态手势跟踪的成功率。最后提取动态手势运动轨迹的方向角特征并训练出对应手势的隐马尔科夫模型,通过比较待识别手势与模型的匹配程度进而对其分类。实验结果表明,改进后的算法在背景中无类肤色干扰、背景中存在少量肤色干扰及背景中存在大量肤色干扰的不同情景中识别率分别提高了1.5%、3.75%及4.14%。
司阳[2]（2019）在《基于信息融合滤波的动态手势跟踪算法研究》文中提出手势交互作为一种自然交互方式,是人机交互领域的重要基础性研究。随着新型体感交互设备的普及与最优估计理论的深入,如何基于视觉快速准确的捕获跟踪三维手势运动数据并实时理解动态手语的语义,已成为自然人机交互领域的关键问题。此外,听障人群位居五大残疾之首,手语作为聋哑人与外界交流的最主要方式,开发新型、自然、友好和便携的手势交互系统在聋人教学及交流方面起着至关重要的作用。因此,本文重点研究新型人机交互和动态手语识别中的两项关键技术即动态手势的检测与跟踪。动态手势运动涉及的人体部位为典型的非刚体目标,由于模型难以建立,动态手势运动轨迹的准确估算与跟踪较为困难。在动态手势跟踪过程中,手部存在任意变形,且目标手势并非一成不变的在做某一方向的匀速运动,而是存在各个方向速度未知的随机运动,即动态手势跟踪具有一个显着特点:机动性。此外,动态手势在连续运动过程中,由于目标可能出现的个数不确定及环境背景等因素的干扰,系统存在一定的随机性和不确定性。故动态手势跟踪过程中可能会出现四类问题:任意变形手势跟踪的鲁棒性问题、类肤色干扰问题、目标跟踪错误时的错误恢复问题以及多目标相互遮挡时的遮挡恢复问题。针对动态手势跟踪过程中可能存在的四类问题,本文提出一种基于信息融合滤波的动态手势跟踪算法。首先,采用Kinect2.0获取动态手势运动的RGB彩色视频流和深度视频流,构建动态手势数据库,并分别对其进行信息预处理;其次,提出一种基于区域-卷积神经网络R-CNN结合迁移学习算法的自动手势检测器训练方法,实现对复杂背景下目标手势的自动准确检测;随后,在传统仅含非机动模型的手势状态空间的基础上增添两个机动模型,以此更加准确的描述手势的状态空间,且通过融合动态手势运动过程中的肤色信息和深度阈值信息,提高动态手势跟踪算法的鲁棒性,并在此基础上提出了一种信息融合Kalman滤波跟踪算法;最终,完成动态手势跟踪算法的系统搭建及性能测试。为验证动态手势检测与跟踪算法的实时性和鲁棒性,对动态手势跟踪过程中的四类问题进行仿真。实验对比结果表明,本文算法可以有效解决动态手势跟踪过程中可能出现的四类问题,并且能够取得较高的检测和跟踪精度。
郭锦辉[3]（2019）在《手势识别及其在人机交互系统中的应用》文中研究表明手势识别作为最自然的交互方式之一,在人机交互上有着很高的应用价值。基于单目RGB摄像头实现手势识别具有设备简单、成本低廉的优势,因而,增强单目RGB摄像头手势识别方法的鲁棒性和快速性,将其用于人机交互中,有着很好的前景。本文旨在研究在单目RGB摄像头下的手势检测方法、手势跟踪方法、动态手势识别方法和指尖点识别方法,并针对手势的特点,对相关方法做出改进,将其应用于人机交互系统中。本文工作主要分为以下四个方面:1)手势检测:首先分析常用的肤色建模方法、机器学习检测方法以及深度学习检测方法在手势检测中的特点和不足,然后结合手势在人机交互中的特点,提出了一种融合混合高斯肤色建模、贝叶斯校正和极限学习机的改进多尺度手势检测方法,最后在自建手势数据集GESTSCUT上进行对比实验分析,验证改进检测方法的效果。2)手势跟踪:首先分析常用运动目标检测方法在运动手势检测的特点和局限,以及常用机器学习跟踪方法在手势跟踪中的特点和局限,然后通过设计置信度模型以及引入尺度滤波器,改进核相关滤波器方法,最后在自建手势数据集GESTSCUT上进行对比实验,验证改进方法的效果。3)动态手势识别和指尖点识别:首先利用姿态卷积机生成手势的关节点,然后针对动态手势的特点,提取5个指尖点的余弦方向特征,并提出一种KNN-DW-DTW匹配方法对动态手势进行识别,接着在自建数据集GESTSCUT上验证方法的有效性,最后分析基于凸包检测的指尖点识别方法,分析了该方法的特点与不足,提出了一种融合凸包检测、质心距离和曲率检测的改进方法。4)空中手写人机交互:首先对软件系统的功能需求以及程序框架进行介绍,然后根据软件每一个功能模块的需求分析,给出对应的设计方案,最后给出系统软件数据采集、数据标注和空中手写的运行结果。
郭莹,毕思曼[4]（2018）在《一种基于字典学习的动态手势识别方法》文中认为为提高动态手势的实时性和识别率,提出一种基于字典学习的识别方法,该方法直接对跟踪到的手势轨迹进行操作,省却了传统方法的特征提取过程。其核心是将动态手势的分类识别问题转化为训练样本的字典构造和学习问题,并基于类别的字典学习方式获得一个经过优化的过完备字典,实现了可随时根据需要进行手势样本类别的添加或删除,从而降低了计算成本和识别时间,提高实时性。考虑到在识别中不同的动态手势甚至是相同动态手势的不同实例都有可能具有不同的动作幅度和速度这一难点,为每一类动态手势添加一个唯一的类别标签并通过预先设定的判别性稀疏编码将标签信息和字典的原子项紧密的联系在一起,使得来自同一类别的动态手势具有相似的稀疏编码,而来自不同类别的动态手势具有不同的稀疏编码,从而提高了动态手势识别的准确率。在自定义的10类动态手势集上进行了测试,实验结果表明,与现有的一些识别方法相比,本方法具有更高的识别率和更快的识别时间。
叶子杰[5]（2018）在《老年残障人手势动作需求识别方法研究》文中研究说明21世纪以来社会老龄化趋势愈发严峻,以口齿不清、行动不便等为特征的老年残障人数量日益增加。如何准确识别此类人群的护理需求,已成为养老和医疗护理领域亟待解决的关键问题。而近年来随着计算机运算能力的大幅提升,手势识别技术在算法理论上取得了较大突破,成为解决上述问题重要突破口。为此,本文基于手势动作识别算法的研究,依据老年残障人的手势行为习惯,由志愿者建立自定义样本库,设计了一款以护理床为载体的手势识别人机交互系统。本文所做工作可以分为以下四部分:（1）研究了基于视觉的手势图像预处理流程。基于肤色模型下不同颜色空间优劣性的分析,并对原始图像进行增强处理,详细给出了针对复杂背景下的单高斯模型肤色区域分割算法。最后采用形态学滤波和人脸消除算法得到手部区域。（2）分析了静态和动态两种不同的手势特征提取方法。针对静态手势特征提取,在研究了静态手形轮廓特征提取方法的基础上,结合本文实际需要对三种静态手势特征参数进行了筛选融合。针对动态手势特征提取,对比了Camshift运动跟踪和金字塔光流跟踪两种手势跟踪算法,根据图像光流场实现了对视频图像的动态手势轨迹跟踪。（3）研究了静态和动态手势识别方法。介绍了基于支持向量机的自定义静态手势样本库的分类识别。提出了动态光流矢量轨迹特征与静态手形特征相融合的方法,采用动态时间规整算法对手势特征序列进行识别,有效的解决了不同手形相同轨迹手势识别问题。（4）设计了基于STC15F2K60S2的单片机护理床控制系统。结合WiFi通信模块,将本文研究的静态手势识别算法应用于床体姿态控制,完成了基于用户静态和动态手势行为习惯的需求识别,并进行了系统测试。
闫世洋[6]（2018）在《基于计算机视觉的动态手势识别方法》文中提出当今社会科技发展日新月异,人机交互方式也经历了数次更迭。现在,大范围使用的图形界面与触摸交互方式并不是最适合人类交互习惯的方式,因此,基于计算机视觉的人机交互方式正逐步的从学术研究领域转移到现代应用领域。本文提出基于计算机视觉的动态手势识别方法,并使用这种方法实现了基于计算机视觉的动态手势识别音乐播放器。本文提出的基于计算机视觉的动态手势识别方法主要包括动态手势检测分割方法、动态手势跟踪方法和动态手势识别方法。关于动态手势检测分割方法,提出了使用基于亮度索引的混合高斯肤色模型结合帧差法来进行动态手势检测分割。实验结果表明,本方法比基于HSV颜色空间的阈值分割方法与帧差法相综合的方法可以得到更高的分割成功率。关于动态手势跟踪方法,提出了使用基于kalman滤波的camshift算法跟踪动态手势。实验结果表明,本方法在一定程度上克服了单独使用camshift算法引起的对光线变化敏感、易受大面积肤色干扰的缺点。关于动态手势训练识别,本文使用隐马尔科夫模型对动态手势命令进行训练识别。实验结果表明,这种方法在对动态手势命令识别上取得了较好的结果。最后,本文实现了一个基于计算机视觉的动态手势控制音乐播放器。测试结果表明,本文提出的基于计算机视觉的动态手势识别方法取得了良好的识别结果。
司阳,肖秦琨[7]（2018）在《基于交互式多模型Kalman滤波的手势跟踪算法》文中研究指明针对任意变形手势跟踪过程中,手势运动轨迹方向发生改变时,传统滤波跟踪算法跟踪精度迅速下降的问题,提出了一种基于交互式多模型Kalman滤波的改进型手势跟踪算法。该算法在传统非机动状态空间模型的基础上增添了两个机动模型,以更加准确的描述手势的状态空间。首先采用三个不同模型分别描述不同的目标运行模式;同时,以模型匹配似然函数为基础更新模型概率;最终组合所有滤波器修正后的状态估计值以得到最优状态估计。实验对比结果表明,该算法能够取得较高地跟踪精度。
毕思曼[8]（2018）在《基于字典学习的动态手势识别算法研究》文中提出基于视觉的动态手势识别技术以人手直接作为计算机的输入,摆脱了传统接触式设备的束缚,实现了友好的人机交互方式,因此受到了国内外研究人员的广泛关注。然而,由于该项技术涉及到的学科领域较多,且手势本身还具有多样性、复杂性以及时空差异性等特点,因此在体感游戏等实际应用中仍面临着巨大的挑战。本文针对如何提高手势识别精度和实时性的问题,分别对手势分割、手势跟踪和手势识别进行研究。在手势分割阶段,采用肤色信息和运动信息相结合的方式对手势进行分割,有效解决了脸部、手臂以及类肤色区域的干扰问题。在手势跟踪阶段,首先针对Camshift（Continuously Adaptive Meanshift）算法无法主动搜索目标、难以适应高速下的目标跟踪等方面的局限性,采用背景差分法和Kalman滤波算法相结合的方式对手势进行跟踪,有效解决了因手势运动速度过快或存在大面积肤色干扰,以及手势消失等情况而造成的跟丢问题;其次,本文采用两次静止法来判定手势运动的起止位置,进而将预定义的有意义手势与无意义手势区分开。在手势识别阶段,本文首次将LC-KSVD（Label Consist K-SVD）字典学习算法应用到基于视觉的动态手势识别中,实现了一种基于字典学习的动态手势识别方法:针对手势长短不一的问题,本文方法将每个手势样本表示成一个列向量并进行归一化线性插值处理,从而将手势识别问题转化为求解待识别样本在过完备字典上的稀疏表示问题,降低了计算成本和识别时间,满足了实时性要求;针对如何增加不同手势类别间的区分性以及减少同种手势类别间的差异性这一难点,本文方法为每个手势样本添加一个类别标签,并通过预先设定的判别性稀疏编码将标签信息和字典原子项紧密的联系在一起,使得来自同一类别的手势具有相似的稀疏编码,而来自不同类别的手势具有不同的稀疏编码,从而提高了手势识别的准确率。为验证本文方法的有效性,在自定义的10类手势数据集上进行实验。实验分为训练和测试两个阶段:在训练阶段,利用LC-KSVD算法学习得到一个规模紧凑且经过优化的过完备字典;在测试阶段,利用得到的过完备字典求解待识别手势的稀疏编码,并将稀疏编码送入分类器中进行识别。实验结果表明,与现有的一些识别方法相比,本文方法可以在保证识别精度的同时极大的缩减识别时间。
邓志敏[9]（2018）在《基于复杂背景下的手势识别系统》文中提出随着科学技术的迅猛发展,人机交互技术越来越得到人们的重视。其中手势识别是人机交互最主要的方式之一,其原理是利用计算机处理含有手势的图像信息,来识别手势的外部形态。它作为人机交互中特殊的一部分,不仅能加强现有的人机交互能力,还能改善人们的交互体验。本设计对近年来手势及其相关的识别技术做了较为全面的解读和分析,仔细的研究了手势识别的技术难点。在PC平台上及嵌入式平台上完成手势识别系统的设计和开发,其中重点对手势识别技术中的特征提取和识别部分进行了深入的实验分析及研究。本设计主要做了如下工作:首先基于实际应用的要求,全面的设计了系统的整体结构,系统中包括了静态手势识别和动态手势识别两部分。每一部分都建立了大量的样本用于训练和测试。其次在关键的手势跟踪分割、特征提取及手势识别部分,本设计主要进行了如下处理:1、应用运动信息和经典的Camshift算法结合进行手势跟踪2、对捕捉到的手势区域图像进行预处理,利用肤色检测分割出手势。3、先提取出手势的方向梯度直方图（HOG,Histogram of oriented gradients）特征分别采用K最近邻（KNN,K-NearestNeighbor）、支持向量机（SVM,Support Vector Machine）、KNNSVM、随机森林（RF,Random Forests）四种方法进行识别,经由实验论证使用KNNSVM结合的算法识别率最高。4、对识别结果逐个进行分析验证,得出结论,单独使用HOG特征不足以识别相似手型。尝试新的特征,发现使用HOGLBP特征采用KNNSVM进行识别,对于识别相似数字手势有明显提高,平均识别率达到97.2125%。本方法还在Marcel库上进行了验证,获得了较好的效果。最后在动态手势识别上采用Kalman与Camshift跟踪结合的方法完成手势跟踪,提取手势质心,根据质心的运动获得手势轨迹,提取出的轨迹采用12度编码离散化轨迹特征,把提取出来的轨迹特征送入SVM进行手势识别,平均识别率达到了较好的效果。之后再移植到硬件平台树莓派3b上进行了实验,实际测试表明本系统能够实现手势的实时识别,基本达到了设计目标,系统运行稳定,综合识别94.12%。实时性满足使用的要求,开发的软件可以实现自动开机并且开启摄像头进行实时识别。系统具有一定的应用价值。
陈孙杰[10]（2018）在《基于视觉的手势识别系统》文中研究表明随着技术的发展与完善,各式各样的智能设备正在进入我们的生活,诸如机器人、可穿戴设备、智能家具以及虚拟现实眼镜等等。这些产品的问世极大的方便了我们的生活,然而,交互能力不足却又限制了它们发挥更大的作用。触控技术的成熟曾极大的推动了智能手机的普及,而现在触控技术已经不能满足人们对于设备的体积以及交互性能所提出的更高的要求,这也就意味着一种全新的、使用高效同时操作简单的人机交互技术亟待被开发。手势作为一种简单、自然的肢体行为,在我们的生活中常常扮演着辅助语言完成交流的角色,在很多情况下,它可以表达语言所不能描述的人类意图。因此研究高效的手势识别技术,作为智能设备的人机交互手段,有着巨大的应用需求和前景。目前关于手势识别的研究根据使用传感器不同主要可以分成三种途径:数据手套、手持设备以及机器视觉。其中通过机器视觉实现手势识别的方法因为硬件成本低廉,且属于非接触式的方式,交互更加自然,相比有着更大的应用优势。基于机器视觉实现手势识别技术,需要使用摄像头来获取图像信息,通过检测图像中的手势的位置并提取手势特征,借助分类算法来完成手势识别。传统的手势识别方法容易受环境条件影响,往往在识别结果的准确性和鲁棒性上距离实际应用有着一定的差距。本文提出了一种借助RGBD图像来实现手势识别的方法。首先在深度图像上,利用支持向量机训练基于HOG特征的手势分类器,用于图像序列中手势位置的检测。考虑到手势的高度可形变性,因此仅训练一种特定手势作为初始手势。在通过检测得到初始位置后,使用CAMSHIFT跟踪手势目标,定位出每一帧图像中手所在的区域。为了更加精确提取手势所包含的区域,本文介绍了一种基于多次种子点生长的手势分割算法,通过种子点生长算法和基于形状、深度信息的弱分割器交替级联,可以实现对手势区域的精确分割。本文采用两种方法来识别手势,分别是基于手势几何特征的模板匹配法和实现端到端识别的卷积神经网络。对上述每一步,本文均设计了实验。实验结果证明,基于RGBD图像的手势识别方法能够实现高精度以及高鲁棒性的识别效果。同时,该方法还可以实现对同一图像中多个手势的检出和识别,极大的体现了该方法的优势。最后,该手势识别方法被应用于机械臂控制,实现了机械臂对手势的实时随动效果。
二、一种改进的CAMSHIFT手势跟踪算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种改进的CAMSHIFT手势跟踪算法（论文提纲范文）
（1）基于机器视觉的手势识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 机器视觉技术概述 |
| 1.3 机器视觉技术在手势识别中的应用 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 研究内容 |
| 1.5 论文结构安排 |
| 第2章 手势识别理论基础 |
| 2.1 手势识别基本步骤 |
| 2.2 手势图像预处理 |
| 2.2.1 图像滤波 |
| 2.2.2 图像二值化 |
| 2.2.3 图像边缘检测 |
| 2.2.4 图像形态学处理 |
| 2.2.5 建立深度学习数据集 |
| 2.3 常见的颜色空间模型 |
| 2.3.1 RGB颜色空间模型 |
| 2.3.2 HSV颜色空间模型 |
| 2.3.3 YCbCr颜色空间模型 |
| 2.4 手势识别方法 |
| 2.4.1 支持向量机 |
| 2.4.2 人工神经网络法 |
| 2.4.3 隐马尔科夫模型法 |
| 2.5 本章小结 |
| 第3章 基于不同特征提取的静态手势识别 |
| 3.1 基于HOG的手势识别 |
| 3.1.1 HOG原理介绍 |
| 3.1.2 基于HOG的手势识别过程 |
| 3.1.3 实验结果分析 |
| 3.2 基于SIFT的手势识别 |
| 3.2.1 SIFT原理介绍 |
| 3.2.2 基于SIFT的手势识别过程 |
| 3.2.3 实验结果分析 |
| 3.3 基于SURF的手势识别 |
| 3.3.1 SURF原理介绍 |
| 3.3.2 基于SURF的手势识别过程 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 第4章 基于YOLOv3深度神经网络的静态手势识别 |
| 4.1 YOLOv3目标检测模型 |
| 4.1.1 YOLOv3网络架构 |
| 4.1.2 边界框预测方法 |
| 4.1.3 损失函数 |
| 4.1.4 非极大值抑制算法 |
| 4.2 实验环境 |
| 4.3 基于改进的YOLOv3神经网络模型训练 |
| 4.3.1 增加YOLOv3网络模型检测尺度 |
| 4.3.2 基于K-means++算法聚类标注信息锚框 |
| 4.3.3 改进损失函数 |
| 4.3.4 改进非极大值抑制算法 |
| 4.4 实验结果与分析 |
| 4.4.1 评估指标 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第5章 基于机器视觉的动态手势识别 |
| 5.1 动态手势检测与分割 |
| 5.1.1 基于椭圆肤色模型的手势分割 |
| 5.1.2 基于运动信息的手势分割 |
| 5.1.3 基于肤色检测与背景差分法的手势分割 |
| 5.2 动态手势跟踪 |
| 5.2.1 Meanshift跟踪算法 |
| 5.2.2 Camshift跟踪算法及其改进 |
| 5.2.3 Kalman滤波算法 |
| 5.2.4 基于改进Camshift和 Kalman滤波的手势跟踪 |
| 5.3 动态手势识别 |
| 5.3.1 手势轨迹特征提取 |
| 5.3.2 基于HMM的动态手势识别 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
（2）基于信息融合滤波的动态手势跟踪算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内手势跟踪技术的现状与发展 |
| 1.2.2 国外手势跟踪技术的现状与发展 |
| 1.3 论文研究的重点及难点 |
| 1.4 本文主要内容与章节安排 |
| 1.4.1 本文主要内容 |
| 1.4.2 本文章节安排 |
| 2 动态手势数据库的构建与信息预处理 |
| 2.1 引言 |
| 2.2 动态手势数据库的构建 |
| 2.3 信息预处理 |
| 2.3.1 RGB彩色视频流的信息预处理 |
| 2.3.2 深度视频流的信息预处理 |
| 2.4 本章小结 |
| 3 复杂背景下目标手势的自动检测 |
| 3.1 引言 |
| 3.2 本章算法框架 |
| 3.3 基于R-CNN和迁移学习算法的自动手势检测器 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 4 信息融合Kalman滤波跟踪算法 |
| 4.1 引言 |
| 4.2 本章算法框架 |
| 4.3 改进型Camshift跟踪算法研究 |
| 4.3.1 改进型Camshift跟踪算法 |
| 4.3.2 仿真及结果分析 |
| 4.4 交互式多模型Kalman滤波跟踪算法研究 |
| 4.4.1 基本模型 |
| 4.4.2 交互式多模型Kalman滤波跟踪算法 |
| 4.4.3 改进型交互式多模型Kalman滤波的融合跟踪算法 |
| 4.4.4 仿真及结果分析 |
| 4.5 多传感器数据融合Kalman滤波跟踪算法研究 |
| 4.5.1 多传感器数据融合Kalman滤波器 |
| 4.5.2 多传感器数据融合Kalman预报器 |
| 4.5.3 仿真及结果分析 |
| 4.6 本章小结 |
| 5 动态手势跟踪算法的系统搭建及性能测试 |
| 5.1 引言 |
| 5.2 动态手势跟踪算法的系统搭建 |
| 5.3 动态手势跟踪算法的性能测试 |
| 5.3.1 任意变形手势跟踪的鲁棒性问题 |
| 5.3.2 类肤色干扰问题 |
| 5.3.3 目标跟踪错误时的错误恢复问题 |
| 5.3.4 多目标相互遮挡时的遮挡恢复问题 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（3）手势识别及其在人机交互系统中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 目标检测研究现状 |
| 1.2.2 目标跟踪研究现状 |
| 1.2.3 手势识别研究现状 |
| 1.3 论文章节安排 |
| 第二章 单目RGB摄像头下的手势检测方法 |
| 2.1 基于肤色建模的检测方法 |
| 2.1.1 肤色建模检测 |
| 2.1.2 肤色建模方法实验分析 |
| 2.2 基于机器学习的检测方法 |
| 2.2.1 相关特征 |
| 2.2.2 机器学习检测方法 |
| 2.3 基于深度学习检测方法 |
| 2.4 检测精度m AP |
| 2.5 一种融合GMM肤色检测和ELM分类器的手势检测方法 |
| 2.5.1 基础技术原理 |
| 2.5.2 融合HSV和 YCrCb色彩空间的GMM肤色模型 |
| 2.5.3 基于GMM肤色检测和ELM分类器的手势检测方法 |
| 2.5.4 实验对比和分析 |
| 2.6 本章小结 |
| 第三章 单目RGB摄像头下的手势跟踪方法 |
| 3.1 运动目标检测 |
| 3.1.1 运动目标检测 |
| 3.1.2 运动目标检测方法实验分析 |
| 3.2 基于机器学习的目标跟踪方法 |
| 3.2.1 常用特征 |
| 3.2.2 基于机器学习的目标跟踪方法 |
| 3.2.3 目标跟踪算法实验分析 |
| 3.3 一种改进的KCF长期手势跟踪方法 |
| 3.3.1 基础技术原理 |
| 3.3.2 改进KCF算法 |
| 3.3.3 实验对比和分析 |
| 3.4 本章小结 |
| 第四章 单目RGB摄像头下的动态手势和指尖识别方法 |
| 4.1 一种改进的基于手势关节点的动态手势识别方法 |
| 4.1.1 手掌关节点模型 |
| 4.1.2 CPM深度网络手掌关节点提取 |
| 4.1.3 基于动态时间规整DTW手掌关节点动态序列匹配 |
| 4.1.4 基于K近邻的DW-DTW动态手势识别方法 |
| 4.1.5 实验对比和分析 |
| 4.2 一种改进的基于凸包检测的指尖点识别方法 |
| 4.2.1 凸包检测 |
| 4.2.2 凸包缺陷指尖检测 |
| 4.2.3 改进的指尖点识别方法 |
| 4.2.4 实验对比和分析 |
| 4.3 本章小结 |
| 第五章 基于手势识别的交互系统实现 |
| 5.1 系统软件总体介绍 |
| 5.1.1 软件功能需求及运行环境 |
| 5.1.2 软件总体程序框架 |
| 5.2 系统软件设计流程 |
| 5.2.1 数据采集模块 |
| 5.2.2 数据标注模块 |
| 5.2.3 手势识别算法模块 |
| 5.2.4 空中手写模块 |
| 5.3 软件系统运行结果 |
| 5.3.1 数据采集 |
| 5.3.2 数据标注 |
| 5.3.3 空中手写 |
| 5.4 本章小结 |
| 结论与展望 |
| 1 本文工作总结 |
| 2 本文不足及展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（4）一种基于字典学习的动态手势识别方法（论文提纲范文）
| 1引言 |
| 2工作内容概述 |
| 3研究提出的识别方法 |
| 3.1手势分割 |
| 3.2手势跟踪 |
| 3.3字典学习 |
| 3.4分类识别 |
| 4实验结果分析 |
| 4.1数据库 |
| 4.2参数的选取 |
| 4.3算法对比结果 |
| 5结束语 |
（5）老年残障人手势动作需求识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 存在的问题及难点 |
| 1.4 研究内容与创新点 |
| 1.5 本文的组织结构 |
| 2 手势图像预处理 |
| 2.1 引言 |
| 2.2 视频采集与手势图像提取 |
| 2.3 颜色空间分析 |
| 2.3.1 RGB颜色空间 |
| 2.3.2 HSI颜色空间 |
| 2.3.3 YCbCr颜色空间 |
| 2.4 图像增强处理 |
| 2.4.1 图像的平滑 |
| 2.4.2 图像的锐化 |
| 2.5 手势图像分割 |
| 2.5.1 常用肤色模型 |
| 2.5.2 肤色相似度计算 |
| 2.5.3 肤色分割算法 |
| 2.6 形态学滤波 |
| 2.7 手部区域提取 |
| 2.8 本章小结 |
| 3 手势特征提取 |
| 3.1 引言 |
| 3.2 手形轮廓提取 |
| 3.3 静态手势特征提取 |
| 3.3.1 傅里叶描述子 |
| 3.3.2 图像归一化转动惯量 |
| 3.3.3 Hu不变矩 |
| 3.3.4 面积周长比 |
| 3.4 基于运动跟踪动态手势特征提取 |
| 3.4.1 手势跟踪算法 |
| 3.4.2 Camshift算法原理和实现 |
| 3.4.3 手势轨迹特征提取 |
| 3.5 基于光流法的动态手势特征提取 |
| 3.5.1 光流的基本概念 |
| 3.5.2 LK光流算法原理 |
| 3.5.3 迭代LK金字塔光流算法 |
| 3.5.4 手势光流特征选取 |
| 3.6 手势特征融合 |
| 3.7 本章小结 |
| 4 手势识别方法的研究 |
| 4.1 引言 |
| 4.2 手势目标分类方法 |
| 4.2.1 基于模板匹配的方法 |
| 4.2.2 基于机器学习的方法 |
| 4.3 静态手势识别 |
| 4.3.1 手势数据集建立 |
| 4.3.2 SVM基本原理 |
| 4.3.3 静态手势训练 |
| 4.3.4 测试与结果分析 |
| 4.4 动态手势识别 |
| 4.4.1 动态样本库建立 |
| 4.4.2 DTW算法优化 |
| 4.4.3 模板训练与识别 |
| 4.4.4 测试与结果分析 |
| 4.5 本章小结 |
| 5 基于手势识别的护理床系统设计 |
| 5.1 引言 |
| 5.2 手势识别护理系统整体架构设计 |
| 5.3 护理床系统硬件设计 |
| 5.3.1 主控制器芯片选择 |
| 5.3.2 电源管理模块设计 |
| 5.3.3 电机驱动模块设计 |
| 5.3.4 信号采集模块设计 |
| 5.3.5 WiFi通信模块选择 |
| 5.4 无线通信环境搭建 |
| 5.4.1 MQTT通信协议 |
| 5.4.2 远程控制系统实现 |
| 5.5 基于QT的人机交互实现 |
| 5.5.1 开发环境 |
| 5.5.2 系统测试 |
| 5.6 本章小结 |
| 6 总结和展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）基于计算机视觉的动态手势识别方法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状和发展趋势 |
| 1.3 本文的主要工作 |
| 1.4 本文的组织结构 |
| 第二章 基于计算机视觉的动态手势识别理论 |
| 2.1 基于计算机视觉的动态手势识别 |
| 2.1.1 动态手势识别的发展背景 |
| 2.1.2 基于计算机视觉的动态手势识别的发展现状 |
| 2.2 数字图像处理理论 |
| 2.2.1 RGB颜色空间 |
| 2.2.2 HSV颜色空间 |
| 2.2.3 YCbCr颜色空间 |
| 2.2.4 图像去噪 |
| 2.2.5 数学形态学 |
| 2.3 动态手势检测分割理论 |
| 2.3.1 帧差法理论 |
| 2.3.2 背景差分法理论 |
| 2.4 动态手势跟踪理论 |
| 2.4.1 基于LK光流的跟踪算法 |
| 2.4.2 Camshift算法 |
| 2.4.3 Kalman滤波算法 |
| 2.5 动态手势识别理论 |
| 2.5.1 动态时间规整(DTW)算法 |
| 2.5.2 隐马尔科夫模型(HMM)算法 |
| 2.6 本章小结 |
| 第三章 基于计算机视觉的动态手势识别方法 |
| 3.1 基于计算机视觉的动态手势检测与分割方法 |
| 3.1.1 简单阈值限定分割的不足 |
| 3.1.2 建立实时手势肤色库 |
| 3.1.3 建立基于亮度索引的高斯肤色模型 |
| 3.1.4 仿真实验 |
| 3.2 基于计算机视觉的动态手势跟踪方法 |
| 3.2.1 Camshift算法的实现 |
| 3.2.2 Kalman滤波算法的实现 |
| 3.2.3 基于kalman滤波的camshift算法跟踪方法 |
| 3.2.4 仿真实验 |
| 3.3 基于计算机视觉的动态手势分类识别 |
| 3.3.1 动态手势的特征提取 |
| 3.3.2 动态手势的训练与识别 |
| 3.3.3 仿真实验 |
| 3.4 仿真实验及分析 |
| 3.4.1 仿真实验 |
| 3.4.2 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于计算机视觉的音乐播放器实现 |
| 4.1 需求分析 |
| 4.1.1 音乐播放器的目标需求 |
| 4.1.2 音乐播放器开发运行环境需求 |
| 4.1.3 音乐播放器功能与性能需求 |
| 4.2 总体设计 |
| 4.2.1 总体流程设计 |
| 4.2.2 功能模块设计 |
| 4.3 音乐播放器实现 |
| 4.4 测试结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 附录 1 攻读硕士学位期间撰写的论文 |
| 致谢 |
（7）基于交互式多模型Kalman滤波的手势跟踪算法（论文提纲范文）
| 1 基本模型 |
| 1.1 标准Kalman滤波跟踪算法 |
| 1.2 模拟手势运动轨迹 |
| 2 改进滤波跟踪算法 |
| 2.1 手势状态空间模型的改进 |
| 2.1.1 模型一的状态空间模型参数 |
| 2.1.2 模型二和模型三的状态空间模型参数 |
| 2.2 改进型交互式多模型Kalman滤波 |
| 2.2.1 状态预测 |
| 2.2.2 协方差阵预测 |
| 2.2.3 计算滤波增益矩阵 |
| 2.2.4 状态更新 |
| 2.2.5 协方差更新 |
| 2.3 基于交互式多模型Kalman滤波的手势跟踪算法 |
| 3 仿真及结果分析 |
| 4 结论 |
（8）基于字典学习的动态手势识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 手势识别概述 |
| 1.2.1 手势的定义及分类 |
| 1.2.2 手势识别的定义及分类 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文主要研究内容及章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 章节安排 |
| 第2章 视频图像序列中的手势检测与分割 |
| 2.1 肤色信息检测 |
| 2.1.1 色彩空间介绍 |
| 2.1.2 各色彩空间上的肤色聚类效果比较及色彩空间的选择 |
| 2.2 运动信息检测 |
| 2.2.1 初始化背景建模 |
| 2.2.2 背景更新 |
| 2.2.3 运动手势检测 |
| 2.3 融合肤色信息与运动信息的手势检测 |
| 2.4 形态学处理 |
| 2.5 实验结果与分析 |
| 2.6 本章小结 |
| 第3章 视频图像序列中的手势跟踪 |
| 3.1 基于Camshift算法的手势跟踪 |
| 3.1.1 颜色概率分布图 |
| 3.1.2 Meanshift算法 |
| 3.1.3 Camshift算法 |
| 3.2 Kalman滤波与Camshift算法相结合 |
| 3.2.1 Kalman滤波算法 |
| 3.2.2 Kalman运动跟踪 |
| 3.2.3 基于Kalman滤波的Camshift手势跟踪 |
| 3.3 基于背景差分和Kalman滤波的Camshift手势跟踪 |
| 3.4 基于两次静止法的手势起止帧位置判定 |
| 3.5 实验结果与分析 |
| 3.5.1 手势跟踪结果 |
| 3.5.2 有意义手势提取结果 |
| 3.6 本章小结 |
| 第4章 基于字典学习的动态手势识别 |
| 4.1 基于稀疏表示理论的分类模型 |
| 4.1.1 稀疏表示理论 |
| 4.1.2 稀疏表示分类模型 |
| 4.2 字典学习 |
| 4.2.1 基于重构的字典学习 |
| 4.2.2 基于分类的字典学习 |
| 4.3 动态手势识别 |
| 4.3.1 动态手势的字典构造 |
| 4.3.2 基于LC-KSVD算法的字典学习 |
| 4.3.3 分类识别 |
| 4.4 实验结果与分析 |
| 4.4.1 动态手势数据集 |
| 4.4.2 手势数据预处理 |
| 4.4.3 动态手势识别结果及性能分析 |
| 4.5 本章小结 |
| 第5章 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（9）基于复杂背景下的手势识别系统（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 手势识别国外研究现状 |
| 1.2.2 手势识别国内研究现状 |
| 1.3 论文研究的内容 |
| 1.3.1 论文研究的内容 |
| 1.3.2 本文的难点及创新点 |
| 1.4 本文各章节安排 |
| 第2章 手势库的建立与手势跟踪 |
| 2.1 手势库的建立 |
| 2.1.1 静态手势库的建立 |
| 2.1.2 动态手势库的建立 |
| 2.2 手势跟踪相关技术介绍 |
| 2.2.1 基于颜色的跟踪算法 |
| 2.2.2 基于运动的手势跟踪 |
| 2.3 运动跟踪与Camshift跟踪结合的算法 |
| 2.4 实验结果及分析 |
| 2.5 本章小结 |
| 第3章 手势预处理及手势分割 |
| 3.1 手势预处理 |
| 3.2 手势分割 |
| 3.2.1 颜色空间简介 |
| 3.2.2 YCrCb颜色空间肤色检测 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 第4章 手势特征提取及手势识别 |
| 4.1 手势特征提取 |
| 4.1.1 HOG特征 |
| 4.1.2 傅里叶描述子特征 |
| 4.1.3 HU不变矩特征 |
| 4.1.4 SURF_BOW特征 |
| 4.2 手势识别 |
| 4.2.1 基于支持向量机的手势识别 |
| 4.2.2 基于最近邻算法的手势识别 |
| 4.2.3 基于KNN_SVM结合的手势识别 |
| 4.2.4 基于随机森林的手势识别 |
| 4.2.5 四种识别方法实验结果的对比 |
| 4.3 局部二值模式与HOG特征融合 |
| 4.4 Marcel库上的验证 |
| 4.5 本章小结 |
| 第5章 动态手势识别系统的设计 |
| 5.1 手势跟踪 |
| 5.1.1 Kalman预测 |
| 5.1.2 Camshift跟踪 |
| 5.1.3 Camshift与Kalman跟踪结合 |
| 5.1.4 实验结果及分析 |
| 5.2 手势端点确定及手势特征提取 |
| 5.3 动态手势识别 |
| 5.4 动态手势识别实验结果 |
| 5.5 本章小结 |
| 第6章 手势软硬件平台的选取与实验 |
| 6.1 软件仿真平台 |
| 6.2 硬件平台上的实验 |
| 6.3 实验结果及分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（10）基于视觉的手势识别系统（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容和论文组织框架 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文组织框架 |
| 第2章 基于视觉的手势识别方法概述 |
| 2.1 手势识别方法难点分析 |
| 2.2 目标检测方法介绍 |
| 2.2.1 霍夫变换 |
| 2.2.2 Haar分类器 |
| 2.2.3 RCNN及其改进方法 |
| 2.3 目标跟踪方法介绍 |
| 2.3.1 光流法 |
| 2.3.2 卡尔曼滤波器 |
| 2.3.3 核相关滤波跟踪 |
| 2.4 目标分割方法介绍 |
| 2.4.1 基于颜色模型的分割方法 |
| 2.4.2 分水岭分割算法 |
| 2.4.3 GrabCut分割算法 |
| 2.5 目标识别方法介绍 |
| 2.5.1 特征提取 |
| 2.5.2 目标分类 |
| 第3章 基于方向梯度直方图的手势检测方法 |
| 3.1 图像金字塔采样 |
| 3.2 HOG描述子 |
| 3.3 支持向量机 |
| 3.3.1 目标函数 |
| 3.3.2 拉格朗日对偶性 |
| 3.3.3 支持向量机求解 |
| 3.4 非极大值抑制 |
| 3.5 手势检测实验分析 |
| 3.5.1 训练过程描述 |
| 3.5.2 检测结果分析 |
| 第4章 基于CAMSHIFT的手势跟踪方法 |
| 4.1 Mean shift收敛算法 |
| 4.1.1 Mean shift向量 |
| 4.1.2 Mean shift迭代过程 |
| 4.2 基于深度图像的CAMSHIFT跟踪 |
| 4.2.1 深度反向投影图 |
| 4.2.2 搜索窗口自适应调节 |
| 4.3 手势跟踪实验分析 |
| 第5章 基于多次区域生长的手势分割方法 |
| 5.1 边缘检测 |
| 5.2 区域轮廓点提取 |
| 5.3 区域种子点生长 |
| 5.4 最大类间方差法 |
| 5.5 最大内切圆法 |
| 5.6 手势分割实验分析 |
| 第6章 基于模板匹配和深度学习手势识别方法的对比实现 |
| 6.1 基于几何特征的模板匹配 |
| 6.1.1 凸包特征提取 |
| 6.1.2 几何特征提取 |
| 6.1.3 模板匹配 |
| 6.2 基于卷积神经网络的手势识别方法 |
| 6.2.1 构建卷积神经网络 |
| 6.2.2 训练卷积神经网络 |
| 6.2.3 基于卷积神经网络的手势识别 |
| 第7章 基于手势的机械臂控制应用 |
| 7.1 手势位置姿态获取及空间映射 |
| 7.2 机械臂运动学解算 |
| 7.3 关节空间轨迹规划 |
| 7.4 实验结果分析 |
| 总结 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
四、一种改进的CAMSHIFT手势跟踪算法（论文参考文献）
- [1]基于机器视觉的手势识别技术研究[D]. 张湃. 河北科技大学, 2020(07)
- [2]基于信息融合滤波的动态手势跟踪算法研究[D]. 司阳. 西安工业大学, 2019(03)
- [3]手势识别及其在人机交互系统中的应用[D]. 郭锦辉. 华南理工大学, 2019(01)
- [4]一种基于字典学习的动态手势识别方法[J]. 郭莹,毕思曼. 微处理机, 2018(06)
- [5]老年残障人手势动作需求识别方法研究[D]. 叶子杰. 南京理工大学, 2018(06)
- [6]基于计算机视觉的动态手势识别方法[D]. 闫世洋. 南京邮电大学, 2018(02)
- [7]基于交互式多模型Kalman滤波的手势跟踪算法[J]. 司阳,肖秦琨. 科学技术与工程, 2018(22)
- [8]基于字典学习的动态手势识别算法研究[D]. 毕思曼. 沈阳工业大学, 2018(12)
- [9]基于复杂背景下的手势识别系统[D]. 邓志敏. 广西师范大学, 2018(01)
- [10]基于视觉的手势识别系统[D]. 陈孙杰. 北京理工大学, 2018(07)