基于Kinect的手势识别技术研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 手势定义及分类 | 第9-10页 |
| 1.2.1 手势定义 | 第9-10页 |
| 1.2.2 手势识别分类 | 第10页 |
| 1.3 手势识别研究现状 | 第10-16页 |
| 1.3.1 静态手势识别研究现状 | 第10-14页 |
| 1.3.2 动态手势识别研究现状 | 第14-16页 |
| 1.3.3 手势识别的难点 | 第16页 |
| 1.4 本文研究内容及结构安排 | 第16-18页 |
| 1.4.1 本文研究内容 | 第16-17页 |
| 1.4.2 本文结构安排 | 第17-18页 |
| 2 Kinect 关键技术及应用 | 第18-26页 |
| 2.1 Kinect 原理介绍 | 第18-19页 |
| 2.2 骨架信息提取过程 | 第19-22页 |
| 2.2.1 训练样本的获取 | 第19-20页 |
| 2.2.2 深度图像特征值 | 第20页 |
| 2.2.3 随机决策森林 | 第20-21页 |
| 2.2.4 骨架节点的位置 | 第21-22页 |
| 2.3 Kinect 标定过程 | 第22-23页 |
| 2.4 Kinect 应用前景 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 基于 Kinect 的静态手势识别技术研究 | 第26-46页 |
| 3.1 静态手势识别概述 | 第26页 |
| 3.2 静态手势分割技术 | 第26-31页 |
| 3.2.1 肤色检测及常用颜色空间 | 第26-28页 |
| 3.2.2 高斯模型及直方图模型 | 第28-30页 |
| 3.2.3 自适应阈值的肤色检测方法的提出 | 第30-31页 |
| 3.3 静态手势特征提取方法的提出 | 第31-36页 |
| 3.3.1 Hu 矩的计算 | 第32-33页 |
| 3.3.2 手指个数的提取 | 第33-36页 |
| 3.4 静态手势分类识别 | 第36-40页 |
| 3.4.1 支持向量机相关理论 | 第37-38页 |
| 3.4.2 支持向量机核函数 | 第38-39页 |
| 3.4.3 LIBSVM 软件包介绍 | 第39-40页 |
| 3.5 实验结果与分析 | 第40-45页 |
| 3.5.1 实验数据与实验环境 | 第40页 |
| 3.5.2 静态手势分割实验 | 第40-42页 |
| 3.5.3 静态手势特征提取实验 | 第42-43页 |
| 3.5.4 静态手势分类识别实验 | 第43-45页 |
| 3.6 本章小结 | 第45-46页 |
| 4 基于 Kinect 的动态手势识别技术研究 | 第46-59页 |
| 4.1 动态手势识别概述 | 第46页 |
| 4.2 动态手势特征提取 | 第46-48页 |
| 4.2.1 骨架节点运动轨迹 | 第46-48页 |
| 4.2.2 手势起点和终点检测 | 第48页 |
| 4.3 动态手势分类识别 | 第48-53页 |
| 4.3.1 时间序列分类问题 | 第48-49页 |
| 4.3.2 DTW 原理及实现过程 | 第49-51页 |
| 4.3.3 DW-DTW 算法的提出 | 第51-52页 |
| 4.3.4 K-NN 分类器 | 第52-53页 |
| 4.4 实验结果与分析 | 第53-58页 |
| 4.4.1 实验数据与实验环境 | 第53-55页 |
| 4.4.2 K-NN 分类器参数 K 的选择实验 | 第55页 |
| 4.4.3 DW-DTW 与其它算法的对比实验 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 5 总结与展望 | 第59-61页 |
| 5.1 本文工作总结 | 第59-60页 |
| 5.2 未来工作展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 附录 | 第67页 |
| A．作者在攻读学位期间发表的论文目录 | 第67页 |
