基于RGBD数据的手势识别及应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 手势识别研究背景及意义 | 第10-11页 |
| 1.2 手势识别研究概况 | 第11-14页 |
| 1.2.1 手势识别技术分类 | 第11页 |
| 1.2.2 手势识别系统中的关键技术 | 第11-13页 |
| 1.2.3 手势识别的研究现状 | 第13-14页 |
| 1.3 手势识别研究难点 | 第14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第二章 数据获取与预处理 | 第16-26页 |
| 2.1 Kinect简介 | 第16-18页 |
| 2.1.1 Kinect硬件组成 | 第16-17页 |
| 2.1.2 Kinect深度图像成像原理 | 第17-18页 |
| 2.2 深度图像获取技术 | 第18-22页 |
| 2.2.1 获取深度信息 | 第18-19页 |
| 2.2.2 深度信息与距离的转换 | 第19-21页 |
| 2.2.3 深度图像到RGB图像的配准 | 第21-22页 |
| 2.3 骨骼数据的获取及分析 | 第22-23页 |
| 2.3.1 骨骼数据的获取 | 第22页 |
| 2.3.2 骨骼数据到深度数据的转换 | 第22-23页 |
| 2.4 深度图像预处理 | 第23-25页 |
| 2.4.1 高斯滤波 | 第23-24页 |
| 2.4.2 中值滤波 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于RGBD数据的静态手势识别 | 第26-43页 |
| 3.1 手势分割 | 第26-35页 |
| 3.1.1 基于手掌颜色信息的手势分割 | 第27-29页 |
| 3.1.2 基于手掌节点双深度阈值的手势分割 | 第29-31页 |
| 3.1.3 融合深度信息和彩色信息的手势分割 | 第31-34页 |
| 3.1.4 手势轮廓提取 | 第34-35页 |
| 3.2 手势特征提取 | 第35-39页 |
| 3.2.1 圆形度特征 | 第35页 |
| 3.2.2 凸包点及凸缺陷点特征 | 第35-37页 |
| 3.2.3 7Hu矩特征 | 第37-39页 |
| 3.3 基于RGBD数据及SVM的静态手势识别 | 第39-41页 |
| 3.3.1 SVM简介 | 第39-40页 |
| 3.3.2 建立手势样本库 | 第40-41页 |
| 3.3.3 训练手势样本 | 第41页 |
| 3.3.4 实验结果 | 第41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 基于深度数据的动态手势识别 | 第43-52页 |
| 4.1 动态手势特征提取及起止点判定 | 第43-45页 |
| 4.1.1 手势特征提取 | 第43-44页 |
| 4.1.2 手势起始点和结束点的判定 | 第44-45页 |
| 4.2 基于深度数据及DTW的动态手势识别 | 第45-51页 |
| 4.2.1 DTW原理 | 第45-48页 |
| 4.2.2 建立手势模板库 | 第48-49页 |
| 4.2.3 手势识别实验结果 | 第49-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第五章 手势识别在图像浏览器中的应用 | 第52-62页 |
| 5.1 系统开发环境 | 第52页 |
| 5.2 人机交互模块的设计 | 第52-57页 |
| 5.2.1 图像浏览器界面设计 | 第52-53页 |
| 5.2.2 图像浏览器功能实现 | 第53-57页 |
| 5.3 人机交互模块的实现 | 第57-61页 |
| 5.3.1 人机交互模块的设计 | 第57-58页 |
| 5.3.2 人机交互模块的实现 | 第58-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 本文工作总结 | 第62-63页 |
| 6.2 后期工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
