复杂背景下实时智能手势识别

发布时间：2021-02-24 23:16

　　科学技术的进步与提高,使得人机交互显得额外普遍与重要。手势的灵活、便捷等特点,使得它逐渐地成为了人机交互的主要桥梁。但是自然复杂环境下的手势识别受到诸多因素的干扰,使得手势检测识别一直是一个极具挑战的学科交叉研究问题。本文搭建了一套室内自然场景下的手势检测识别交互控制系统,针对自然场景下的四种静态手势完成检测识别任务。本文从以下两个方向开展研究:（1）通过一个结合Haar特征的Adaboost检测器快速分割出手势图样,由于手势的多样性以及图像背景的复杂性,本文选择使用将TPLBP和HOG梯度直方图特征相融合的方式作为新的特征进行智能手势的识别。由于HOG算子对于复杂场景下的光照明暗变化有较强的鲁棒性,TPLBP算子对复杂场景下的手势纹理特征拥有较好的提取性能。将HOG特征与TPLBP特征结合起来,可以有效的表达手势的纹理特征以及增加复杂情况下对光污染的抗性,最后将融合后的特征输入到人工神经网络中进行手势的验证分类。（2）应用近年来逐渐火热且技术纯熟的深度学习目标检测YOLO v3卷积神经网络进行自然复杂环境下的四种手势识别,实现一个端到端的检测网络。但是目前来说YOLO v3仍存在一些... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究意义
    1.2 国内外研究情况
    1.3 主要研究工作
    1.4 章节安排
第2章 目标检测相关理论
    2.1 人工特征检测算子
        2.1.1 Haar-like特征
        2.1.2 HOG特征
        2.1.3 LBP特征
    2.2 深度学习理论
        2.2.1 卷积层
        2.2.2 激活函数
        2.2.3 池化层
    2.3 交并比与抑制算法
    2.4 本文数据集
    2.5 目标检测衡量标准
    2.6 本章小节
第3章 融合特征手势检测识别
    3.1 提升算法检测分割
        3.1.1 Adaboost提升算法
        3.1.2 滑块检测
    3.2 TPLBP-HOG特征融合识别
        3.2.1 TPLBP特征提取
        3.2.2 HOG特征提取
        3.2.3 特征融合
    3.3 人工神经网络识别
        3.3.1 神经网络原理
        3.3.2 融合识别
    3.4 算法性能分析
    3.5 本章小节
第4章 YOLO手势检测
    4.1 YOLOV3算法原理
        4.1.1 Darknet53 特征网络
        4.1.2 BBox位置回归
        4.1.3 YOLOv3损失计算
    4.2 算法优化
        4.2.1 Focal loss聚焦损失
        4.2.2 GIOU泛化交并比
        4.2.3 Tiny微模型
    4.3 算法性能分析
    4.4 本章小结
第5章 应用平台展示
    5.1 交互平台环境
    5.2 交互平台功能展示
    5.3 本章小节
第6章 总结与展望
    6.1 本文工作总结
    6.2 后期工作展望
致谢
参考文献
附录


【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[2]基于非极大值抑制的圆目标亚像素中心定位[J]. 王静,王海亮,向茂生,韦立登,刘忠胜.  仪器仪表学报. 2012(07)

硕士论文
[1]HOG融合特征及DL在行人检测算法中的研究[D]. 王琴芳.杭州电子科技大学 2017



本文编号：3050079