| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-16页 |
| 1.1.1 课题研究背景 | 第11-12页 |
| 1.1.2 国内外现状 | 第12-13页 |
| 1.1.3 课题研究意义 | 第13-15页 |
| 1.1.4 手势识别存在的问题 | 第15-16页 |
| 1.2 本文的研究工作与组织结构 | 第16-19页 |
| 1.2.1 主要研究内容 | 第16-17页 |
| 1.2.2 论文的组织结构 | 第17-19页 |
| 第2章 相关技术介绍 | 第19-27页 |
| 2.1 Kinect传感器 | 第19-22页 |
| 2.1.1 Kinect传感器介绍 | 第19-21页 |
| 2.1.2 深度信息获取 | 第21-22页 |
| 2.2 图像预处理 | 第22-24页 |
| 2.2.1 深度图像的中值滤波 | 第22-23页 |
| 2.2.2 深度图像的形态学处理 | 第23-24页 |
| 2.3 RGB颜色空间与HSV颜色空间 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 静态手势质心提取的研究 | 第27-43页 |
| 3.1 静态手势质心提取概述 | 第27-28页 |
| 3.2 基于深度图像的前景提取 | 第28-31页 |
| 3.3 基于彩色图像的肤色提取 | 第31-32页 |
| 3.4 基于肤色与深度图像相结合的手势区域提取 | 第32-33页 |
| 3.5 基于Camshift的手势质心提取 | 第33-41页 |
| 3.6 结果分析 | 第41-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第4章 动态手势识别的研究 | 第43-57页 |
| 4.1 基于拟合曲线的动态手势识别 | 第43-45页 |
| 4.1.1 使用Hu曲线矩进行手势分类 | 第43-44页 |
| 4.1.2 本方法的优缺点 | 第44-45页 |
| 4.2 利用轨迹的单调性进行动态手势识别 | 第45-48页 |
| 4.2.1 曲线的分段及特征的提取 | 第45-46页 |
| 4.2.2 曲线的分类识别 | 第46-48页 |
| 4.2.3 本方法的优缺点 | 第48页 |
| 4.3 基于方向矢量量化方法的动态手势识别 | 第48-56页 |
| 4.3.1 质心点的修正 | 第48-50页 |
| 4.3.2 采用DTW匹配算法进行手势轨迹的识别与分类 | 第50-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 动态手势识别实验结果与分析 | 第57-69页 |
| 5.1 系统开发环境介绍 | 第57-59页 |
| 5.1.1 硬件平台介绍 | 第57-58页 |
| 5.1.2 软件平台介绍 | 第58-59页 |
| 5.2 实验功能模块 | 第59-61页 |
| 5.3 实验结果分析 | 第61-69页 |
| 5.3.1 实验数据来源 | 第61-62页 |
| 5.3.2 实验结果评价 | 第62-69页 |
| 第6章 结论与展望 | 第69-71页 |
| 6.1 本文工作总结 | 第69-70页 |
| 6.2 未来展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 攻读学位期间发表的论文 | 第77页 |