Kinect体感游戏控制器的手势检测方法研究
实验显示通过即时运动捕捉系统获取的地面真实标签表明在检测深度图像中的人体部位时，我们的兴趣点结合斑点分类器的方式要比基于滑动窗口探测器的方式要好得多。
关键词 深度图像；兴趣点 ；检测 ；识别
毕业设计说明书（论文）外文摘要
Abstract We deal with the problem of detecting and identifying body parts in depth images at video frame rates. Our solution involves a novel interest point detector for mesh and range data that is particularly well suited for analyzing human shape. The interest points, which are based on identifying geodesic extrema on the surface mesh, coincide with salient points of the body, which can be classified as, e.g., hand, foot or head using local shape descriptors. Our approach also provides a natural way of estimating a 3D orientation vector for a given interest point. This can be used to normalize the local shape descriptors to simplify the classification problem as well as to directly estimate the orientation of body parts in space. Experiments involving ground truth labels acquired via an active motion capture system show that our interest points in conjunction with a boosted patch classifier are significantly better in detecting body parts in depth images than state-of the-art sliding-window based detectors.
Keywords depth images；interest points；detect；identify
目 录
1 绪论 3
1.1 课题阐述 3
1.1.1 课题来源 3
1.1.2 课题的背景与意义 3
1.2 国内外关于课题中应用的技术的发展状况 3
1.2.1 Kinect简介 3
1.2.2 Kinect发展史 4
1.2.3 有关课题中Kinect的理论介绍 4
1.3 OpenCV概述 5
1.4 本文中项目执行的流程 5
1.4.1 本课题研究内容 5
1.4.2 本文研究的主要内容 6
1.4.3 本文的组织结构 6
2 基于深度图像的dijkstra算法的实现 6
2.1 dijkstra算法的研究 6
2.1.1 dijkstra定义 6
2.1.2 问题描述 6
2.1.3 迪杰斯特拉(Dijkstra)算法思想 6
2.1.4 迪杰斯特拉算法的原理 7
2.2 将dijkstra算法应用到深度图像中 7
2.2.1 深度图像 8
2.2.2 深度图像中点和边的特点 8
2.2.3 深度图像中dijkstra算法的应用 8
2.3 基于深度图像的dijkstra算法的优化 9
2.3.1 初步优化 9
2.3.2 进一步优化算法 9
3 深度图像中兴趣点的检测 10
3.1 问题的设置及概要 10
3.2 兴趣点的检测 11
3.3 研究兴趣点的取向及其性质 13
4 深度图像中人体部位的识别 14
4.1 利用分类器将兴趣点分类 14
4.2 为兴趣点添上人体标签 14
上一篇：智能手机电影订票系统网站设计