| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 国内外基于数据手套手势识别的研究现状 | 第11-12页 |
| 1.2.2 国内外基于视觉的手势识别的研究现状 | 第12页 |
| 1.3 研究的目的及意义 | 第12-13页 |
| 1.4 论文主要研究内容及组织结构 | 第13-15页 |
| 第2章 Kinect设备和原理及手势识别理论介绍 | 第15-26页 |
| 2.1 RGB-D信息简介 | 第15页 |
| 2.2 Kinect传感器 | 第15-21页 |
| 2.2.1 Kinect传感器简介 | 第15-17页 |
| 2.2.2 Kinect for Windows体系结构 | 第17-18页 |
| 2.2.3 Kinect for Windows SDK | 第18-19页 |
| 2.2.4 Kinect骨架信息获取过程 | 第19-21页 |
| 2.3 手势识别相关理论 | 第21-25页 |
| 2.3.1 手势的基本概念 | 第21-23页 |
| 2.3.2 动态手势识别过程 | 第23-24页 |
| 2.3.3 手势识别的难点 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 动态手势特征提取方法研究 | 第26-39页 |
| 3.1 Kinect人体骨骼模型 | 第26-30页 |
| 3.1.1 Kinect形成人体骨骼原理 | 第26-28页 |
| 3.1.2 Kinect骨骼追踪 | 第28-30页 |
| 3.2 动态手势识别关键节点 | 第30-31页 |
| 3.3 动态手势骨骼数据处理 | 第31-35页 |
| 3.3.1 特征提取 | 第31-34页 |
| 3.3.2 特征提取步骤描述 | 第34-35页 |
| 3.4 动态手势特征提取实验 | 第35-38页 |
| 3.4.1 实验的数据来源 | 第35页 |
| 3.4.2 实验评价标准 | 第35-36页 |
| 3.4.3 动态手势特征提取对比实验 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 动态手势识别的方法研究 | 第39-49页 |
| 4.1 动态手势识别方法 | 第39-41页 |
| 4.1.1 动态手势识别方法概述 | 第39-40页 |
| 4.1.2 利用模板匹配方法进行动态手势识别 | 第40-41页 |
| 4.2 KNN算法 | 第41-42页 |
| 4.2.1 KNN算法概述 | 第41页 |
| 4.2.2 KNN工作原理 | 第41-42页 |
| 4.3 改进的KNN识别算法 | 第42-46页 |
| 4.3.1 KNN算法分析及改进思路 | 第42-43页 |
| 4.3.2 区域划分 | 第43-45页 |
| 4.3.3 基于球型区域的KNN分类算法 | 第45-46页 |
| 4.4 改进KNN算法实验 | 第46-48页 |
| 4.4.1 初级分类器新训练集的值N的选取 | 第46-47页 |
| 4.4.2 基于球形的KNN快速分类算法实验 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 动态手势识别实验及结果分析 | 第49-55页 |
| 5.1 实验环境 | 第49页 |
| 5.2 基于家庭服务机器人的动态手势设计 | 第49-52页 |
| 5.3 动态手势实时识别 | 第52-54页 |
| 5.3.1 动态手势的录入 | 第52页 |
| 5.3.2 动态手势识别 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第61-62页 |
| 致谢 | 第62页 |