| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10-13页 |
| 1.3 国内外研究现状 | 第13-17页 |
| 1.3.1 基于数据手套的手势识别 | 第13-15页 |
| 1.3.2 基于视机器视觉的手势识别 | 第15-17页 |
| 1.4 本文主要研究内容及章节安排 | 第17-19页 |
| 1.4.1 研究内容 | 第17页 |
| 1.4.2 本文章节安排 | 第17-19页 |
| 第二章 硬件设备及现有算法分析 | 第19-31页 |
| 2.1 动态手势识别系统结构 | 第19-20页 |
| 2.2 动态手势采集硬件设备 | 第20-24页 |
| 2.2.1 Kinect 2.0 系统及性能分析 | 第20-22页 |
| 2.2.2 Leap Motion系统及性能分析 | 第22-23页 |
| 2.2.3 Kinect 2.0 和Leap Motion性能对比分析 | 第23-24页 |
| 2.3 动态手势识别现有算法分析 | 第24-28页 |
| 2.3.1 基于模板的方法 | 第25-26页 |
| 2.3.2 基于数据分析的方法 | 第26-27页 |
| 2.3.3 基于随机过程的方法 | 第27-28页 |
| 2.4 现有算法的不足 | 第28-30页 |
| 2.4.1 有效轨迹点定位 | 第28-29页 |
| 2.4.2 相似手势识别 | 第29页 |
| 2.4.3 动态手势识别 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 有效轨迹点定位方法改进 | 第31-43页 |
| 3.1 动态手势识别的过程 | 第31页 |
| 3.2 有效轨迹点定位 | 第31-34页 |
| 3.2.1 Leap Motion手指状态检测功能 | 第31-32页 |
| 3.2.2 改进的有效轨迹点定位方法 | 第32-34页 |
| 3.3 三维运动轨迹数据预处理 | 第34-36页 |
| 3.4 固定特征提取 | 第36-37页 |
| 3.5 基于HMM的手势识别 | 第37-42页 |
| 3.5.1 HMM模型训练 | 第37-40页 |
| 3.5.2 基于HMM的初次识别 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 相似手势的增强识别 | 第43-50页 |
| 4.1 相似手势的识别困难及改进 | 第43-44页 |
| 4.2 二次特征 | 第44-46页 |
| 4.2.1 角点数 | 第44页 |
| 4.2.2 子区域百分比 | 第44-45页 |
| 4.2.3 角点序号百分比 | 第45页 |
| 4.2.4 轨迹区域长宽比 | 第45-46页 |
| 4.3 设置角度变化阈值T以及有效样本数k的值 | 第46-48页 |
| 4.4 增强识别系统分析 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 实验及结果分析 | 第50-58页 |
| 5.1 实验数据采集平台 | 第50页 |
| 5.2 实验手势数据库 | 第50-51页 |
| 5.3 有效轨迹点定位实验及分析 | 第51-53页 |
| 5.4 基于HMM初次识别结果及分析 | 第53-55页 |
| 5.5 相似手势的增强识别结果及分析 | 第55-56页 |
| 5.6 本章小结 | 第56-58页 |
| 总结与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表和完成的论文 | 第64-65页 |
| 致谢 | 第65页 |