| 摘要 | 第1-9页 |
| Abstract | 第9-12页 |
| 第一章 绪论 | 第12-24页 |
| ·研究背景 | 第12-13页 |
| ·研究现状 | 第13-20页 |
| ·基于分析—合成技术的跟踪方法 | 第16-17页 |
| ·基于 Monte Carlo 的跟踪方法 | 第17-18页 |
| ·基于机器学习和人工神经网络的跟踪方法 | 第18-19页 |
| ·基于优化搜索范围的跟踪方法 | 第19-20页 |
| ·基于视觉的人手跟踪面临的问题 | 第20页 |
| ·论文的研究内容及章节安排 | 第20-24页 |
| 第二章 手势图像预处理与特征提取 | 第24-28页 |
| ·图像预处理 | 第24-26页 |
| ·图像二值化 | 第24页 |
| ·图像噪声消除方法 | 第24-25页 |
| ·形态学处理 | 第25-26页 |
| ·特征提取方法 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 隐马尔可夫模型 | 第28-36页 |
| ·隐马尔可夫模型的定义 | 第28-29页 |
| ·隐马尔可夫模型的基本问题 | 第29页 |
| ·隐马尔可夫模型基本问题的计算 | 第29-33页 |
| ·前向—后向（Forward-Backward）算法 | 第29-31页 |
| ·Viterbi 算法 | 第31-32页 |
| ·Baum-Welch 算法 | 第32-33页 |
| ·本章小结 | 第33-36页 |
| 第四章 基于可变长度马尔可夫模型的人手跟踪 | 第36-58页 |
| ·引言 | 第36页 |
| ·手势建模 | 第36-38页 |
| ·可变长度马尔可夫模型 | 第38-43页 |
| ·K-L 距离 | 第38-39页 |
| ·模型的学习训练 | 第39-43页 |
| ·基于可变长度马尔可夫模型的人手跟踪 | 第43-47页 |
| ·粒子滤波 | 第43-45页 |
| ·PERM 重采样方法 | 第45-46页 |
| ·结合可变长度马尔可夫模型的粒子滤波算法 | 第46-47页 |
| ·算法评估方法 | 第47-48页 |
| ·算法时间分析 | 第47-48页 |
| ·算法精度分析 | 第48页 |
| ·实验结果及分析 | 第48-56页 |
| ·本章小结 | 第56-58页 |
| 第五章 融合手势分析的人手跟踪 | 第58-72页 |
| ·人手运动的基本特征 | 第58-62页 |
| ·人手运动模型 | 第58页 |
| ·平稳阶段的特征 | 第58-62页 |
| ·惯性时间模型 | 第62页 |
| ·基于惯性时间模型的跟踪算法 | 第62-65页 |
| ·实验结果及分析 | 第65-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 结论与展望 | 第72-76页 |
| ·全文总结 | 第72-73页 |
| ·下一步研究工作 | 第73-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 附录 | 第82-83页 |