基于Kinect深度图像的手势识别算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景与意义 | 第9-12页 |
| 1.2 国内外研究历史及现状 | 第12-15页 |
| 1.2.1 国外研究历史及现状 | 第12-14页 |
| 1.2.2 国内研究历史及现状 | 第14页 |
| 1.2.3 基于视觉的手势识别技术研究难点 | 第14-15页 |
| 1.3 论文主要工作及结构安排 | 第15-18页 |
| 1.3.1 论文的主要工作 | 第15-16页 |
| 1.3.2 论文的组织结构 | 第16-18页 |
| 第2章 基于视觉的手势识别技术概述 | 第18-24页 |
| 2.1 基于视觉的手势识别技术分类 | 第18-19页 |
| 2.2 手势检测技术 | 第19-21页 |
| 2.2.1 基于肤色检测的手势检测 | 第20页 |
| 2.2.2 基于外形（轮廓）的手势检测 | 第20-21页 |
| 2.2.3 基于运动的手势检测 | 第21页 |
| 2.3 手势识别技术 | 第21-22页 |
| 2.3.1 基于统计学习的方法 | 第21-22页 |
| 2.3.2 基于模板匹配的方法 | 第22页 |
| 2.3.3 基于隐马尔科夫模型的方法 | 第22页 |
| 2.4 Kinect摄像机简介 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 手势检测算法研究 | 第24-35页 |
| 3.1 引言 | 第24页 |
| 3.2 颜色空间转换 | 第24-25页 |
| 3.3 肤色检测方法研究 | 第25-28页 |
| 3.3.1 椭圆边界模型法 | 第25-26页 |
| 3.3.2 混合高斯模型法 | 第26-27页 |
| 3.3.3 贝叶斯分类器法 | 第27-28页 |
| 3.4 基于肤色分割和深度阈值的手势检测方法 | 第28-31页 |
| 3.4.1 自适应深度直方图阈值方法 | 第28-30页 |
| 3.4.2 基于区域生长的边缘配准方法 | 第30-31页 |
| 3.5 手势检测实验结果及分析 | 第31-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 手势识别算法研究 | 第35-48页 |
| 4.1 引言 | 第35页 |
| 4.2 常用特征提取算法 | 第35-38页 |
| 4.2.1 SIFT特征 | 第35-36页 |
| 4.2.2 Haar-like特征 | 第36-37页 |
| 4.2.3 LBP特征 | 第37-38页 |
| 4.3 HOG特征 | 第38-42页 |
| 4.3.1 HOG特征介绍 | 第38-39页 |
| 4.3.2 HOG特征提取算法 | 第39-42页 |
| 4.4 基于统计学习的手势分类方法 | 第42-45页 |
| 4.4.1 基于SVM的分类 | 第42-44页 |
| 4.4.2 基于ELM的分类 | 第44-45页 |
| 4.5 手势识别实验结果及分析 | 第45-47页 |
| 4.5.1 离线测试结果及分析 | 第46-47页 |
| 4.5.2 实时测试结果及分析 | 第47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 致谢 | 第55-56页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第56页 |
