第1章 绪论 1
1.1人手跟踪的意义 1
1.2人手跟踪的研究目标 2
1.3人手跟踪的研究现状 3
1.3.1可穿戴HCI系统 3
1.3.2人手运动跟踪与识别 6
1.4人手跟踪的典型应用 10
1.4.1对象编辑 10
1.4.2操作物体 11
1.4.3漫游和导航 11
1.4.4聋哑人手语 11
1.4.5家电控制 12
1.5手势跟踪研究的难点 14
1.6本章小结 16
第2章 手势跟踪建模 17
2.1人手建模 17
2.1.1人手的几何建模 17
2.1.2人手的约束建模 18
2.2相机建模 21
2.2.1经典针孔相机模型 21
2.2.2简化的相机模型 22
2.2.3基于镜面对称的校准算法 22
2.2.4基于粒子群优化的摄像机内参数标定算法［121］ 28
2.2.5样本的选择 29
2.2.6算法描述 29
2.2.7实验结果及分析 29
2.3肤色建模 31
2.3.1基于多尺度的肤色建模 32
2.3.2基于多方法融合的人手肤色建模 33
2.3.3基于双肤色模型的肤色分割建模 38
2.3.4基于彩色图像增强算法的肤色建模 45
2.3.5基于椭圆聚合的人手肤色的检测 48
2.4遮挡建模 53
2.4.1基于动态可见手指分析的自遮挡处理方法 54
2.4.2基于特征点分析的遮挡处理方法 55
2.5运动建模 67
2.6初始化手势建模 67
2.6.1算法描述 68
2.6.2手势的初始分类 70
2.6.3快速调整手势模型 71
2.6.4算法分析 72
2.6.5实验结果 73
2.6.6实验分析 73
2.7观测似然函数建模 74
2.7.1手势约束 74
2.7.2观测似然模型 75
2.7.3观测似然模型在人手跟踪中的应用 78
2.8本章小结 82
第3章 基于手势识别的手势跟踪 84
3.1多灰度图像连续形变的计算机识别技术研究［153］ 85
3.1.1基本背景 85
3.1.2基本术语 85
3.1.3识别算法 89
3.1.4基本定理 89
3.1.5压线格算法 90
3.1.6连续形变识别 90
3.1.7与数据库中已知图像的匹配 91
3.1.8算法性能分析及实验结果 92
3.2基于连续形变理论和方法的手势识别技术［164］ 93
3.2.1识别算法 94
3.2.2追踪识别算法 95
3.2.3相邻两帧连续形变的跟踪算法 96
3.2.4算法的进一步讨论 96
3.2.5算法性能分析 96
3.2.6实验结果 96
3.3对连续形变图像的追踪识别算法的再改进 98
3.3.1基本性质和基本定理 98
3.3.2追踪识别算法 99
3.3.3网格图像的获取 99
3.3.4相邻两帧连续形变的跟踪算法 100
3.3.5算法性能分析 100
3.3.6实验结果 101
3.4基于机器学习和人工神经网络技术的手势识别 101
3.4.1 HMM原理 102
3.4.2 HMM应用 104
3.5基于空间密度分布特征的手势识别 104
3.5.1手势空间分布特征 104
3.5.2静态手势识别 106
3.6实验结果分析和比较 109
3.7无人脸干扰的手势识别实验 109
3.8存在肤色干扰时的手势识别实验 111
3.9弯曲变形手势的识别 112
3.10算法分析 114
3.10.1算法识别速率的分析 114
3.10.2算法特点分析 114
3.11本章小结 114
第4章 基于贝叶斯滤波理论的手势状态估计方法 116
4.1研究现状 116
4.2 KF滤波器 118
4.3 EKF滤波器 119
4.3.1 EKF滤波器原理及其缺陷 119
4.3.2一种新的强跟踪滤波器 120
4.4 UKF滤波器 122
4.5一种基于改进UKF的3D人手跟踪算法 124
4.6 UKFDUT+MM手势跟踪算法 126
4.6.1 Sigma点的定义 126
4.6.2获取Sigma点的条件及方法 127
4.6.3 UKF算法的缺陷 130
4.6.4基于双UT变换的UKF算法（UKFDUT算法） 131
4.6.5 UKFDUT与多运动模型的融合 131
4.6.6实验结果及其分析 132
4.7本章小结 136
第5章 粒子滤波 137
5.1粒子滤波的基本原理 137
5.2基于状态变量微观结构的手势粒子采样方法研究 139
5.2.1研究背景 139
5.2.2人机交互系统中的人手行为研究 140
5.2.3状态变量的微观结构 145
5.2.4基于微观结构的粒子生成器（PGM） 148
5.2.5算法分析 149
5.2.6实验 149
5.2.7采样方法的再讨论 152
5.3基于SOUKF状态预测的PF算法 157
5.3.1 PDUT算法 157
5.3.2 PF算法 158
5.3.3实验结果 158
5.4粒子滤波手势跟踪方法中的时间优化 160
5.4.1人机交互实验 160
5.4.2人机交互心理模型分析 160
5.4.3人手运动的基本模型 161
5.4.4连续形变的特征 161
5.4.5基于交互模型的状态变量的微观结构 163
5.4.6粒子跟踪算法 163
5.4.7实验结果的分析与评价 165
5.4.8结论 166
5.5基于遮挡信息分析的抓取手势跟踪算法 167
5.5.1算法的总体框架 167
5.5.2图像的边界跟踪 167
5.5.3手掌的有效区域确定 168
5.5.4手势跟踪算法 169
5.5.5实验结果及分析 170
5.6本章小结 172
第6章 特征提取 174
6.1研究进展概述 174
6.2基于多尺度描述子的手势图像特征鲁棒性提取方法 176
6.2.1特征粗定位 177
6.2.2 CL算法分析 181
6.2.3基于多尺度和CL方法的特征鲁棒性提取算法 182
6.2.4 RE算法分析 186
6.2.5实验结果及其分析 187
6.3基于矢量边缘分析的手势特征提取算法研究 193
6.3.1二维直线边缘模型设计 193
6.3.2直线边缘检测算法 194
6.4实验过程及结果 196
6.5以精度及实时性为目标的手势特征检测方法 198
6.5.1亮度索引和特征向量 198
6.5.2肤色模型 198
6.5.3手势分割算法 199
6.5.4手势特征及其分析 199
6.5.5特征检测算法 200
6.5.6手势特征点分离 201
6.5.7实验结果 202
6.6肤色分割 208
6.7本章小结 214
第7章 跟踪方法的评价 215
7.1基于串行生成技术的评价方法 215
7.1.1基本思想 215
7.1.2连接序列的产生 215
7.1.3连接的串行生成算法 216
7.1.4初始化 217
7.1.5参考手势的正确性问题 217
7.1.6评价标准 218
7.1.7对几种典型跟踪算法的实验和评价 218
7.2基于精度和时间的评价体系 220
7.2.1精度评价体系 220
7.2.2运行时间评价 232
7.2.3误差分析 232
7.3自封闭性精度评价 233
7.3.1基于线约束关系的形变量 233
7.3.2基于面约束关系的形变量 233
7.3.3基于静态和动态约束关系的形变量 234
7.3.4基于投影的形变量 234
7.3.5基于形变量的跟踪精度评价方法 235
7.3.6一个评价案例 235
7.4本章小结 237
参考文献 238