基于ARM的Kinect手势识别研究
| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 1 绪论 | 第11-16页 |
| ·课题的研究背景和意义 | 第11页 |
| ·国内外研究现状 | 第11-14页 |
| ·手势识别技术研究现状 | 第11-13页 |
| ·嵌入式平台图像处理技术研究现状 | 第13页 |
| ·本文的研究内容和方法 | 第13-14页 |
| ·论文组织结构和章节安排 | 第14-16页 |
| 2 手势识别技术中的常用方法 | 第16-33页 |
| ·引言 | 第16页 |
| ·手势图像预处理 | 第16-18页 |
| ·局部平均法 | 第16-17页 |
| ·中值滤波 | 第17页 |
| ·高斯滤波 | 第17-18页 |
| ·图像二值化 | 第18页 |
| ·手势分割 | 第18-23页 |
| ·常见的色彩空间介绍 | 第18-20页 |
| ·基于肤色检测的分割算法 | 第20-23页 |
| ·基于深度图像阈值分割算法 | 第23页 |
| ·特征提取 | 第23-27页 |
| ·手势简单形状描述特征 | 第24-25页 |
| ·手势图像的统计特征 | 第25-26页 |
| ·手势图像的轮廓特征 | 第26-27页 |
| ·分类识别 | 第27-32页 |
| ·模板匹配 | 第27-28页 |
| ·支持向量机 | 第28-29页 |
| ·神经网络 | 第29-30页 |
| ·隐马尔可夫模型 | 第30-31页 |
| ·动态时间归整 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 3 基于Kinect深度图像的静态手势识别 | 第33-45页 |
| ·引言 | 第33-34页 |
| ·深度图像获取与分割预处理 | 第34-38页 |
| ·Kinect深度图像获取原理 | 第34页 |
| ·深度图像阈值分割 | 第34-35页 |
| ·高斯滤波 | 第35-36页 |
| ·Canny算子边缘轮廓提取 | 第36-37页 |
| ·手臂区域切除 | 第37-38页 |
| ·特征提取 | 第38-40页 |
| ·手指个数特征提取 | 第38-39页 |
| ·Hu不变矩 | 第39-40页 |
| ·手势分类识别 | 第40-42页 |
| ·手势预分类 | 第41页 |
| ·支持向量机分类识别 | 第41-42页 |
| ·实验结果分析 | 第42-43页 |
| ·本章小结 | 第43-45页 |
| 4 基于Kinect深度图像的动态手势识别 | 第45-53页 |
| ·引言 | 第45页 |
| ·动态手势分割 | 第45-47页 |
| ·深度阈值预分割 | 第45-46页 |
| ·手势区域细分 | 第46-47页 |
| ·特征提取 | 第47-48页 |
| ·动态手势序列识别 | 第48-50页 |
| ·DTW算法 | 第48-49页 |
| ·新的距离模式 | 第49-50页 |
| ·改进分层DTW算法手势序列识别 | 第50-51页 |
| ·实验结果分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 5 ARM嵌入式平台的手势识别 | 第53-66页 |
| ·引言 | 第53页 |
| ·嵌入式系统与ARM芯片简介 | 第53-55页 |
| ·嵌入式系统简介 | 第53-54页 |
| ·常见嵌入式操作系统介绍 | 第54页 |
| ·ARM芯片简介 | 第54-55页 |
| ·ARM嵌入式平台开发环境搭建 | 第55-60页 |
| ·系统硬件环境介绍 | 第55-56页 |
| ·系统软件环境介绍 | 第56页 |
| ·ARM嵌入式开发平台的搭建 | 第56-60页 |
| ·手势识别算法在嵌入式平台上的实现 | 第60-63页 |
| ·手势样本库的建立 | 第61页 |
| ·手势分割及预处理 | 第61页 |
| ·手势特征提取 | 第61页 |
| ·手势分类识别 | 第61-62页 |
| ·手势识别系统实现 | 第62-63页 |
| ·实验结果分析 | 第63-65页 |
| ·静态手势识别算法实验结果分析 | 第63-64页 |
| ·动态手势识别算法实验结果分析 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 6 总结与展望 | 第66-68页 |
| ·本文总结 | 第66-67页 |
| ·未来研究内容和展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
