| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 Kinect产品介绍 | 第14-17页 |
| 1.2.1 Kinect传感器的硬件组成 | 第14-15页 |
| 1.2.2 Kinect for Windows SDK | 第15-16页 |
| 1.2.3 Kinect的骨骼追踪 | 第16-17页 |
| 1.3 EmguCV简介 | 第17页 |
| 1.4 本文工作 | 第17-18页 |
| 1.5 论文结构 | 第18-19页 |
| 第二章 手势识别方法概述 | 第19-26页 |
| 2.1 手势识别的一般过程 | 第19-22页 |
| 2.1.1 数据获取 | 第19-21页 |
| 2.1.2 手部检测 | 第21-22页 |
| 2.2 静态手势识别的常用方法 | 第22-23页 |
| 2.2.1 基于模板匹配的方法 | 第22-23页 |
| 2.2.2 基于机器学习的方法 | 第23页 |
| 2.3 动态手势识别的常用方法 | 第23-24页 |
| 2.3.1 隐马尔可夫模型 | 第23-24页 |
| 2.3.2 动态时间规整 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 基于手指轮廓的静态手势识别 | 第26-38页 |
| 3.1 概述 | 第26页 |
| 3.2 手掌检测 | 第26-28页 |
| 3.3 手指轮廓提取 | 第28-29页 |
| 3.4 基于手指轮廓的静态手势识别 | 第29-32页 |
| 3.4.1 手掌心(s_1)的估计 | 第30页 |
| 3.4.2 特征选取 | 第30-31页 |
| 3.4.3 利用多个决策树进行分类 | 第31-32页 |
| 3.5 实验分析 | 第32-36页 |
| 3.5.1 自采集数据及其评测 | 第33-34页 |
| 3.5.2 10-Gesture数据库及其评测 | 第34-36页 |
| 3.6 本章小结 | 第36-38页 |
| 第四章 基于线性拟合的手掌动态轨迹识别 | 第38-51页 |
| 4.1 概述 | 第38-39页 |
| 4.2 线性拟合分析 | 第39-46页 |
| 4.2.1 最小二乘拟合直线 | 第40-42页 |
| 4.2.2 带修正的最小二乘法拟合直线 | 第42-43页 |
| 4.2.3 线性最小二乘拟合抛物线 | 第43-46页 |
| 4.3 基于线性拟合的运动轨迹识别算法 | 第46-48页 |
| 4.3.1 运动轨迹识别的一般过程 | 第46页 |
| 4.3.2 运动轨迹识别模型 | 第46-47页 |
| 4.3.3 运动轨迹识别相关参数计算 | 第47-48页 |
| 4.4 实验分析 | 第48-50页 |
| 4.4.1 直线拟合中RSS值的确定 | 第49页 |
| 4.4.2 抛物线拟合中RSS值的确定 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 手势识别系统在FreeScup雕塑辅助设计中的应用 | 第51-57页 |
| 5.1 FreeScup雕塑辅助设计平台 | 第51页 |
| 5.2 应用系统的开发环境与架构 | 第51-52页 |
| 5.2.1 软硬件开发环境 | 第51-52页 |
| 5.2.2 应用系统主要架构 | 第52页 |
| 5.3 手势识别系统的实现 | 第52-55页 |
| 5.3.1 手势识别的实现过程 | 第53-54页 |
| 5.3.2 预定义的手势 | 第54-55页 |
| 5.3.3 系统实时性测试 | 第55页 |
| 5.4 FreeScup雕塑辅助设计平台在接到命令后的实现 | 第55-56页 |
| 5.5 小结 | 第56-57页 |
| 第六章 结束语 | 第57-59页 |
| 6.1 本文成果 | 第57-58页 |
| 6.2 未来展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 简历与科研成果 | 第63-64页 |
| 致谢 | 第64-65页 |
