| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 研究背景和意义 | 第14-16页 |
| 1.1.1 手势识别的背景和意义 | 第14-15页 |
| 1.1.2 手势识别的应用场景 | 第15页 |
| 1.1.3 手势识别的难点 | 第15-16页 |
| 1.2 国内外研究的现状 | 第16-20页 |
| 1.2.1 国外研究现状 | 第16-19页 |
| 1.2.2 国内研究现状 | 第19-20页 |
| 1.3 本文主要工作 | 第20-21页 |
| 1.4 本文的组织结构 | 第21-22页 |
| 第2章 基于深度信息手势识别技术的研究 | 第22-37页 |
| 2.1 Kinect摄像机介绍 | 第22-28页 |
| 2.1.1 Kinect2.0简介 | 第22-23页 |
| 2.1.2 Kinect2.0系统架构 | 第23-24页 |
| 2.1.3 Kinect相机模型 | 第24-28页 |
| 2.2 基于深度信息的静态手势识别 | 第28-36页 |
| 2.2.1 阈值法人体分割 | 第28-29页 |
| 2.2.2 K-means算法应用于人手分割 | 第29-30页 |
| 2.2.3 Moore邻域手掌轮廓检测 | 第30-31页 |
| 2.2.4 傅里叶描绘子特征提取 | 第31-33页 |
| 2.2.5 静态手势识别算法 | 第33-36页 |
| 2.3 小结 | 第36-37页 |
| 第3章 基于SIRB-BoF多特征手势识别算法 | 第37-58页 |
| 3.1 基于SIRB-BoF特征的手势识别方法 | 第37-46页 |
| 3.1.1 SIRB算法基础 | 第37-43页 |
| 3.1.2 提出SIRB-BoF特征提取方法 | 第43-46页 |
| 3.1.3 基于SIRB-BoF特征的手势识别 | 第46页 |
| 3.2 多特征手势识别方法 | 第46-49页 |
| 3.2.1 SIRB-BoF特征和傅里叶特征描绘子的比较 | 第47-48页 |
| 3.2.2 提出多特征手势识别方法 | 第48-49页 |
| 3.3 静态手势识别实验 | 第49-57页 |
| 3.3.1 实验环境及实验数据 | 第49-50页 |
| 3.3.2 实验流程 | 第50-51页 |
| 3.3.3 人手分割实验 | 第51-52页 |
| 3.3.4 多特征提取实验 | 第52-54页 |
| 3.3.5 SVM静态手势识别实验 | 第54-57页 |
| 3.4 小结 | 第57-58页 |
| 第4章 基于HMM动态手势识别 | 第58-67页 |
| 4.1 动态手势特征提取算法 | 第58-60页 |
| 4.1.1 特征提取 | 第60页 |
| 4.2 HMM模型训练 | 第60-63页 |
| 4.3 HMM模型识别 | 第63-64页 |
| 4.4 实验 | 第64-66页 |
| 4.4.1 动态手势定义 | 第64页 |
| 4.4.2 HMM模型训练 | 第64-65页 |
| 4.4.3 动态手势识别 | 第65-66页 |
| 4.5 小结 | 第66-67页 |
| 第5章 手势识别在虚拟试镜中的应用 | 第67-77页 |
| 5.1 虚拟试镜系统体系结构 | 第67-69页 |
| 5.2 基于Kinect的虚拟试镜需求分析及系统设计 | 第69-72页 |
| 5.2.1 界面设计 | 第69-71页 |
| 5.2.2 反馈信息设计 | 第71页 |
| 5.2.3 手势交互设计 | 第71-72页 |
| 5.3 基于Kinect的虚拟试镜详细设计及实现 | 第72-76页 |
| 5.3.1 虚拟试镜系统的开发环境 | 第72-73页 |
| 5.3.2 手势选择眼镜 | 第73-74页 |
| 5.3.3 手势切换试镜图片 | 第74页 |
| 5.3.4 虚拟试镜系统实现效果 | 第74-76页 |
| 5.4 小结 | 第76-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 附录A 攻读学位期间发表的论文和专利 | 第85-86页 |
| 致谢 | 第86页 |