| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题研究的背景 | 第9-11页 |
| ·基于深度信息的手势识别研究概况 | 第11-13页 |
| ·手势识别技术概况 | 第11页 |
| ·手势识别的应用前景 | 第11-12页 |
| ·手势识别的难题 | 第12-13页 |
| ·文章主要的研究内容和章节安排 | 第13-15页 |
| ·本文主要研究内容 | 第13页 |
| ·本文章节安排 | 第13-15页 |
| 第2章 Kinect的深度图像获取 | 第15-24页 |
| ·Kinect介绍 | 第15-17页 |
| ·Kinect的硬件组成 | 第15-16页 |
| ·Kinect的成像原理 | 第16-17页 |
| ·深度图像的获取 | 第17-20页 |
| ·获取深度图像 | 第17页 |
| ·像素位置转换 | 第17-19页 |
| ·彩色图像位置转换 | 第19-20页 |
| ·图像噪声处理 | 第20-23页 |
| ·图像噪声产生的原因 | 第20-21页 |
| ·高斯滤波 | 第21-22页 |
| ·中值滤波 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于深度信息的多特征融合的静态手势识别 | 第24-33页 |
| ·整体系统 | 第24-25页 |
| ·基于深度的手势轮廓获取 | 第25-28页 |
| ·Kinect人体骨骼图和手部定位跟踪 | 第25-26页 |
| ·截取感兴趣区域和手势分割 | 第26-28页 |
| ·特征提取 | 第28-32页 |
| ·圆形度，填充率，周长比 | 第29页 |
| ·凸包点和凸缺陷点 | 第29-31页 |
| ·Hu距 | 第31-32页 |
| ·SVM分类器 | 第32页 |
| ·本章小结 | 第32-33页 |
| 第4章 基于深度骨骼图的动态手势识别 | 第33-43页 |
| ·整体系统介绍 | 第33-34页 |
| ·深度骨骼数据特征的获取 | 第34-36页 |
| ·深度数据的中心化和归一化 | 第36-38页 |
| ·动态手势识别 | 第38-41页 |
| ·时间序列规划算法概述 | 第38-39页 |
| ·时间序列规划算法原理 | 第39-41页 |
| ·本章小结 | 第41-43页 |
| 第5章 搭建系统平台和手势识别实验 | 第43-57页 |
| ·OpenCV与Visual Studio 2010介绍 | 第43-45页 |
| ·OpenCV概述 | 第43-44页 |
| ·Visual Studio 2010概述 | 第44-45页 |
| ·OpenNI和Microsoft SDK框架介绍 | 第45-46页 |
| ·Kinect开发环境的配置 | 第46-50页 |
| ·硬件说明 | 第46页 |
| ·软件环境基本要求 | 第46页 |
| ·安装和配置Kinect for Windows SDK 1.8 | 第46-50页 |
| ·静态手势识别实验与分析 | 第50-53页 |
| ·动态环境下手势识别 | 第50-52页 |
| ·静态环境下手势识别 | 第52-53页 |
| ·动态手势识别实验与应用 | 第53-56页 |
| ·动态环境下手势识别 | 第53-54页 |
| ·静态环境下手势识别 | 第54-55页 |
| ·动态手势识别的应用扩展 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 第6章 结论 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 在学研究成果 | 第62-63页 |
| 致谢 | 第63页 |
