| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 符号说明 | 第13-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 手势识别的研究背景 | 第14-16页 |
| 1.1.1 人机交互 | 第14-15页 |
| 1.1.2 手势识别 | 第15页 |
| 1.1.3 Kinect简介 | 第15-16页 |
| 1.2 手势识别技术的国内外研究现状 | 第16-18页 |
| 1.3 本论文的研究内容和意义 | 第18-19页 |
| 1.4 论文章节安排 | 第19-20页 |
| 第二章 Kinect关键技术及应用 | 第20-27页 |
| 2.1 Kinect的开发环境与技术架构 | 第20-21页 |
| 2.1.1 开发环境 | 第20页 |
| 2.1.2 技术架构 | 第20-21页 |
| 2.2 Kinect深度数据的获取 | 第21-22页 |
| 2.3 Kinect骨骼数据的获取 | 第22-23页 |
| 2.4 Kinect坐标变换 | 第23-25页 |
| 2.4.1 深度图像空间坐标 | 第23-24页 |
| 2.4.2 骨骼空间坐标 | 第24页 |
| 2.4.3 坐标变换 | 第24-25页 |
| 2.5 Kinect的应用 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 静态手势识别算法研究 | 第27-40页 |
| 3.1 静态手势识别方法 | 第27-29页 |
| 3.1.1 神经网络法 | 第27-28页 |
| 3.1.2 模板匹配法 | 第28页 |
| 3.1.3 统计分析法 | 第28-29页 |
| 3.2 SURF算法 | 第29-35页 |
| 3.2.1 计算积分图像 | 第29-30页 |
| 3.2.2 检测关键点 | 第30-31页 |
| 3.2.3 构建尺度空间 | 第31-33页 |
| 3.2.4 计算主方向 | 第33-34页 |
| 3.2.5 关键点特征描述 | 第34-35页 |
| 3.3 BP神经网络 | 第35-38页 |
| 3.3.1 BP神经网络算法推导 | 第36-38页 |
| 3.3.2 BP神经网络的缺陷 | 第38页 |
| 3.4 贝叶斯正则化算法 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于深度信息的手势识别算法 | 第40-60页 |
| 4.1 手势识别流程图 | 第40-41页 |
| 4.2 基于深度信息的手势分割方法 | 第41-43页 |
| 4.3 基于改进的SURF算法的特征提取方法 | 第43-48页 |
| 4.4 基于贝叶斯正则化BP神经网络的手势分类方法 | 第48-50页 |
| 4.4.1 数据归一化处理 | 第48-49页 |
| 4.4.2 贝叶斯正则化BP神经网络结构设计 | 第49-50页 |
| 4.5 功能实现与数据分析 | 第50-59页 |
| 4.5.1 环境配置 | 第50页 |
| 4.5.2 建立手势库 | 第50页 |
| 4.5.3 实验结果及数据分析 | 第50-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 基于多分类器融合的手势分类方法 | 第60-72页 |
| 5.1 基于手指间最大夹角的特征提取与分类方法 | 第60-65页 |
| 5.2 多分类器决策级融合算法 | 第65-68页 |
| 5.3 实验结果及数据分析 | 第68-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第六章 总结和展望 | 第72-74页 |
| 6.1 工作总结 | 第72-73页 |
| 6.2 工作展望 | 第73-74页 |
| 参考文献 | 第74-81页 |
| 致谢 | 第81-82页 |
| 攻读学位期间的学术成果 | 第82-83页 |
| 学位论文评阅及答辩情况表 | 第83页 |