| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11页 |
| 1.2 手势识别的意义 | 第11-12页 |
| 1.3 动态手势识别的国内外研究现状 | 第12-15页 |
| 1.3.1 获取手心的位置 | 第12-13页 |
| 1.3.2 提取运动轨迹的特征和编码特征 | 第13页 |
| 1.3.3 训练手势模型和识别手势 | 第13-15页 |
| 1.4 动态手势识别的难点 | 第15页 |
| 1.5 本文的研究内容 | 第15-16页 |
| 1.6 本文的组织结构 | 第16-18页 |
| 第2章 手势识别相关技术 | 第18-31页 |
| 2.1 引言 | 第18页 |
| 2.2 Kinect相关介绍 | 第18-22页 |
| 2.2.1 Kinect获取深度的原理 | 第18-19页 |
| 2.2.2 修复Kinect获取的深度 | 第19-21页 |
| 2.2.3 从单张深度图中获取人体骨架的方法 | 第21-22页 |
| 2.3 手势识别的流程 | 第22-30页 |
| 2.3.1 采样 | 第23-24页 |
| 2.3.2 提取特征 | 第24-28页 |
| 2.3.3 学习手势模型 | 第28-30页 |
| 2.3.4 识别手势 | 第30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于动态时间规整的手势识别 | 第31-36页 |
| 3.1 引言 | 第31页 |
| 3.2 动态时间规整的原理 | 第31-32页 |
| 3.3 基于动态时间规整的学习过程 | 第32-34页 |
| 3.3.1 学习手势的模板 | 第32-33页 |
| 3.3.2 计算手势的阈值 | 第33-34页 |
| 3.3.3 与KNN的结合 | 第34页 |
| 3.4 基于动态时间规整的分类过程 | 第34-35页 |
| 3.5 时间和空间复杂度分析 | 第35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于最长公共子序列的手势识别 | 第36-40页 |
| 4.1 引言 | 第36页 |
| 4.2 最长公共子序列的原理 | 第36-37页 |
| 4.3 基于最长公共子序列的学习过程 | 第37-38页 |
| 4.3.1 学习手势的模板 | 第37页 |
| 4.3.2 计算手势的阈值 | 第37-38页 |
| 4.3.3 与KNN的结合 | 第38页 |
| 4.4 基于最长公共子序列的分类过程 | 第38-39页 |
| 4.5 时间和空间复杂度分析 | 第39页 |
| 4.6 本章小结 | 第39-40页 |
| 第5章 基于隐马尔可夫模型的手势识别 | 第40-48页 |
| 5.1 引言 | 第40页 |
| 5.2 隐马尔科夫模型的相关概念 | 第40-41页 |
| 5.3 基于隐马尔科夫模型的学习过程 | 第41-45页 |
| 5.3.1 确定状态的拓扑结构和状态对应的含义 | 第41-42页 |
| 5.3.2 学习手势的参数 | 第42-43页 |
| 5.3.3 计算手势的阈值 | 第43-45页 |
| 5.3.4 计算手势的模板长度 | 第45页 |
| 5.4 基于隐马尔科夫模型的分类过程 | 第45-46页 |
| 5.5 时间和空间复杂度分析 | 第46页 |
| 5.6 本章小结 | 第46-48页 |
| 第6章 实验结果及其分析 | 第48-56页 |
| 6.1 手势类型及其数据集 | 第48-51页 |
| 6.1.1 手势类型 | 第48-50页 |
| 6.1.2 数据集 | 第50-51页 |
| 6.2 评价指标 | 第51页 |
| 6.3 比较实验及实验结果分析 | 第51-55页 |
| 6.3.1 LCSS、DTW分别与KNN结合前后效果的比较 | 第51-53页 |
| 6.3.2 比较K-means编码和球面方向离散化编码 | 第53-55页 |
| 6.3.3 三种动态手势识别方法的比较 | 第55页 |
| 6.4 本章小结 | 第55-56页 |
| 第7章 总结与展望 | 第56-58页 |
| 7.1 本文工作总结 | 第56-57页 |
| 7.2 未来工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间主要的研究成果 | 第62-63页 |
| 致谢 | 第63页 |