| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 国内外发展现状 | 第12-14页 |
| 1.3 本课题主要研究内容 | 第14-17页 |
| 第2章 Kinect传感器的应用及开发简介 | 第17-26页 |
| 2.1 Kinect传感器的硬件组成 | 第17-18页 |
| 2.2 Kinect for Windows SDK简介 | 第18-19页 |
| 2.3 OpenCV图像处理库简介 | 第19-20页 |
| 2.4 Kinect的工作原理 | 第20-25页 |
| 2.4.1 系统架构 | 第20-21页 |
| 2.4.2 深度图像成像原理 | 第21-23页 |
| 2.4.3 骨骼跟踪技术 | 第23-24页 |
| 2.4.4 语音识别技术 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 姿态识别 | 第26-36页 |
| 3.1 数据采集 | 第26-29页 |
| 3.1.1 彩色图像数据 | 第26页 |
| 3.1.2 深度图像数据 | 第26-27页 |
| 3.1.3 骨骼数据 | 第27-29页 |
| 3.2 坐标变换 | 第29-30页 |
| 3.3 关节角度计算 | 第30-33页 |
| 3.3.1 腰部旋转角度的计算 | 第31-32页 |
| 3.3.2 右肩关节旋转角度的计算 | 第32页 |
| 3.3.3 右肘关节旋转角度的计算 | 第32-33页 |
| 3.3.4 右腕关节旋转角度的计算 | 第33页 |
| 3.4 姿态识别实验结果验证 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 手形识别和手部运动捕捉 | 第36-58页 |
| 4.1 图像预处理 | 第36-38页 |
| 4.1.1 均值滤波 | 第37页 |
| 4.1.2 中值滤波 | 第37-38页 |
| 4.2 基于深度图像的手形提取 | 第38-39页 |
| 4.3 基于Hu矩的手形识别 | 第39-41页 |
| 4.3.1 Hu形状不变矩 | 第39-41页 |
| 4.3.2 手形匹配 | 第41页 |
| 4.4 基于神经网络的手形识别 | 第41-47页 |
| 4.4.1 人工神经网络(ANN)简介 | 第41-42页 |
| 4.4.2 人工神经元模型和感知器模型 | 第42-44页 |
| 4.4.3 基于BP算法的MLP神经网络的实现 | 第44-47页 |
| 4.5 手形识别实验结果验证 | 第47-52页 |
| 4.5.1 基于Hu矩的手形识别实验 | 第48-50页 |
| 4.5.2 基于MLP神经网络的手形识别实验 | 第50-52页 |
| 4.6 手部运动捕捉 | 第52-53页 |
| 4.7 手势轨迹识别 | 第53-55页 |
| 4.8 基于Kinect的直线手势轨迹的识别验证 | 第55-57页 |
| 4.9 本章小结 | 第57-58页 |
| 第5章 语音识别 | 第58-62页 |
| 5.1 Kinect麦克风阵列核心技术简介 | 第58-59页 |
| 5.2 基于Kinect语音平台的语音识别应用 | 第59-60页 |
| 5.3 语音识别结果验证 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第6章 系统的软硬件设计与实现 | 第62-76页 |
| 6.1 硬件平台设计 | 第62-67页 |
| 6.1.1 Arduino平台 | 第63-64页 |
| 6.1.2 电源及电机驱动模块 | 第64-65页 |
| 6.1.3 基于舵机的5自由度机械臂 | 第65-66页 |
| 6.1.4 蓝牙通信模块 | 第66-67页 |
| 6.2 软件设计 | 第67-74页 |
| 6.2.1 Kinect for Windows SDK平台搭建 | 第67-70页 |
| 6.2.2 PC端软件设计流程 | 第70-72页 |
| 6.2.3 Arduino IDE平台搭建 | 第72-73页 |
| 6.2.4 基于Arduino的软件设计流程 | 第73-74页 |
| 6.3 本章小结 | 第74-76页 |
| 第7章 总结与展望 | 第76-78页 |
| 7.1 总结 | 第76页 |
| 7.2 展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 科研成果 | 第82页 |