| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 论文主要研究内容及结构 | 第12-14页 |
| 第二章 手势识别方法基础理论 | 第14-26页 |
| 2.1 深度传感器的介绍 | 第14-17页 |
| 2.1.1 微软Kinect | 第14-16页 |
| 2.1.2 其他深度传感器及系统 | 第16-17页 |
| 2.2 获取深度图像信息 | 第17-18页 |
| 2.2.1 像素值与实际值之间的位置转换 | 第17-18页 |
| 2.2.2 深度图像与红绿蓝彩色图像的转换 | 第18页 |
| 2.3 图像预处理方法的比较 | 第18-21页 |
| 2.3.1 图像噪声的来源分析 | 第18-19页 |
| 2.3.2 高斯滤波技术 | 第19页 |
| 2.3.3 中值滤波技术 | 第19-20页 |
| 2.3.4 图像的形态学处理 | 第20-21页 |
| 2.4 手势的定位与识别方法 | 第21-25页 |
| 2.4.1 手势分割 | 第21-22页 |
| 2.4.2 手势跟踪 | 第22-23页 |
| 2.4.3 手势类型 | 第23-24页 |
| 2.4.4 手势分类 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于Kinect的静态手势识别方法 | 第26-41页 |
| 3.1 手部区域的提取 | 第27-30页 |
| 3.2 重新设置手心位置 | 第30-31页 |
| 3.3 基于凸包凹陷检测的静态手势识别 | 第31-37页 |
| 3.3.1 基于RGB图像的凸包凹陷检测方法 | 第31-32页 |
| 3.3.2 基于深度图像的凸包凹陷检测方法 | 第32-34页 |
| 3.3.3 两种指尖检测方法比较与分析 | 第34-37页 |
| 3.4 基于深度图像凸点检测方法的改进 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于手势识别的移动服务机器人交互控制实验 | 第41-54页 |
| 4.1 手势识别开发环境与架构 | 第41-44页 |
| 4.1.1 系统硬件开发环境 | 第41-43页 |
| 4.1.2 系统软件开发环境及主要架构 | 第43-44页 |
| 4.2 移动服务机器人交互系统与驱动控制部分通讯协议 | 第44-45页 |
| 4.2.1 通讯流程 | 第44页 |
| 4.2.2 数据发送格式 | 第44-45页 |
| 4.3 移动服务机器人交互系统控制设计 | 第45-47页 |
| 4.4 移动服务机器人交互系统上位机设计 | 第47-49页 |
| 4.5 手势识别实验 | 第49-53页 |
| 4.5.1 基本手势的定义 | 第49-50页 |
| 4.5.2 移动服务机器人平台上手势识别率测试 | 第50-51页 |
| 4.5.3 移动服务机器人避障实验 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 论文总结 | 第54-55页 |
| 5.2 未来展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录1 攻读硕士学位期间申请的专利 | 第59-60页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第60-61页 |
| 致谢 | 第61页 |