| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 面向交互式教学界面的研究背景与意义 | 第9-10页 |
| 1.2 手势识别算法研究现状 | 第10-14页 |
| 1.2.1 传统手势识别算法研究现状 | 第10-12页 |
| 1.2.2 深度学习算法研究现状 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第二章 手势大数据库的设计和创建 | 第17-21页 |
| 2.1 手势大数据库的采集 | 第17-19页 |
| 2.1.1 采集手势大数据库的准备工作 | 第17-18页 |
| 2.1.2 手势样本图像的采集 | 第18-19页 |
| 2.2 图片分割预处理 | 第19-21页 |
| 第三章 SCDDF算法的设计与实现 | 第21-30页 |
| 3.1 基于Kinect的手势分割 | 第21-22页 |
| 3.2 手势特征提取改进 | 第22-26页 |
| 3.2.1 密度特征分布(DDF)和形状上下文描述子特征 | 第23页 |
| 3.2.2 基于SCDDF算法的手势识别 | 第23-26页 |
| 3.3 基于SCDDF特征的动态手势识别 | 第26-27页 |
| 3.4 实验 | 第27-30页 |
| 第四章 基于深度学习算法的静态手势识别 | 第30-37页 |
| 4.1 手势数据集的准备 | 第30-31页 |
| 4.2 基于GoogLeNetinceptionV3的静态手势识别 | 第31-32页 |
| 4.3 Solver参数的优化 | 第32-33页 |
| 4.4 实验结果以及分析 | 第33-37页 |
| 4.4.1 优化模型之后训练过程数据展示 | 第34-35页 |
| 4.4.2 对比实验 | 第35-37页 |
| 第五章 基于深度学习的动态手势识别 | 第37-43页 |
| 5.1 动态手势序列合成算法 | 第37-39页 |
| 5.2 CaffeNet参数优化与训练 | 第39-41页 |
| 5.3 实验设计 | 第41-43页 |
| 5.3.1 CaffeNetModle优化前后对比实验 | 第41-42页 |
| 5.3.2 CaffeNetModle与HCDF-H识别算法对比实验 | 第42-43页 |
| 第六章 基于深度学习的动静态融合的多态手势识别算法研究 | 第43-50页 |
| 6.1 静态手势的还原序列处理算法设计 | 第43-44页 |
| 6.2 动静态图片归一化处理 | 第44-45页 |
| 6.3 基于GoogLeNet网络的多态融合模型的训练以及优化 | 第45-47页 |
| 6.4 实验设计 | 第47-50页 |
| 6.4.1 模型优化前后识别率对比实验 | 第47-48页 |
| 6.4.2 与传统方法HCDF和CAFFENET_MODEL对比实验 | 第48-50页 |
| 第七章 手势识别算法在交互式教学界面中的应用 | 第50-55页 |
| 7.1 面向交互式的教学界面的应用 | 第50-52页 |
| 7.2 面向交互式教学界面的手势识别算法应用 | 第52-54页 |
| 7.3 用户体验 | 第54-55页 |
| 第八章 结论与展望 | 第55-57页 |
| 8.1 论文总结 | 第55-56页 |
| 8.2 下一步工作 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 附录 | 第63-65页 |
