基于Kinect的手势识别技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本课题研究任务 | 第14页 |
| 1.4 各章节安排 | 第14-16页 |
| 第2章 手势识别研究理论基础 | 第16-30页 |
| 2.1 手势识别定义及系统流程 | 第16-17页 |
| 2.2 Kinect设备简介 | 第17-19页 |
| 2.2.1 Kinect设备软硬件介绍 | 第17-18页 |
| 2.2.2 Kinect深度图像获取原理 | 第18-19页 |
| 2.2.3 Kinect图像采集 | 第19页 |
| 2.3 深度图像去噪处理 | 第19-23页 |
| 2.3.1 高斯滤波 | 第20页 |
| 2.3.2 中值滤波 | 第20-22页 |
| 2.3.3 双边滤波 | 第22-23页 |
| 2.4 手势检测 | 第23-27页 |
| 2.4.1 基于训练分类的手势检测 | 第23页 |
| 2.4.2 基于肤色提取的手势检测 | 第23-26页 |
| 2.4.3 基于深度信息的手势检测 | 第26-27页 |
| 2.5 手势识别 | 第27-29页 |
| 2.5.1 基于模板匹配的手势识别 | 第27-28页 |
| 2.5.2 基于指尖检测算法的手势识别 | 第28-29页 |
| 2.6 小结 | 第29-30页 |
| 第3章 手势检测及相关算法研究 | 第30-45页 |
| 3.1 常用的特征提取算法介绍 | 第30-39页 |
| 3.1.1 Haar-Like特征 | 第30-33页 |
| 3.1.2 SIFT特征 | 第33-39页 |
| 3.2 传统的Adaboost算法 | 第39-41页 |
| 3.2.1 Boost分类器 | 第39-40页 |
| 3.2.2 Adaboost算法流程 | 第40-41页 |
| 3.3 改进的Adaboost算法 | 第41-43页 |
| 3.4 基于深度信息的手势区域提取 | 第43-44页 |
| 3.5 小结 | 第44-45页 |
| 第4章 手势识别及相关算法研究 | 第45-55页 |
| 4.1 传统的K曲率手指点检测算法 | 第45-47页 |
| 4.2 改进的K曲率算法 | 第47-52页 |
| 4.2.1 手势区域凸包求取 | 第48-51页 |
| 4.2.2 手指点检测 | 第51页 |
| 4.2.3 算法比较分析 | 第51-52页 |
| 4.3 基于形态学处理的新型手指点检测算法 | 第52-54页 |
| 4.4 小结 | 第54-55页 |
| 第5章 实验验证与结果分析 | 第55-62页 |
| 5.1 软件工具介绍 | 第55-56页 |
| 5.2 手势区域检测提取实验 | 第56-58页 |
| 5.2.1 Adaboost算法手势区域提取 | 第56-57页 |
| 5.2.2 深度阈值信息手势区域提取 | 第57-58页 |
| 5.3 手势识别实验 | 第58-61页 |
| 5.4 小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 研究内容 | 第62-63页 |
| 6.2 主要创新点 | 第63页 |
| 6.3 对未来工作的展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
