基于深度学习的手势识别系统研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究背景和意义 | 第11页 |
| 1.2 手势识别概述 | 第11-14页 |
| 1.2.1 手势识别的分类 | 第12页 |
| 1.2.2 手势数据采集方案 | 第12-13页 |
| 1.2.3 手势识别模型 | 第13-14页 |
| 1.3 深度学习对手势识别的意义 | 第14-15页 |
| 1.4 主要研究内容 | 第15-16页 |
| 1.5 论文组织结构 | 第16-19页 |
| 第二章 手势数据的采集和特征处理 | 第19-33页 |
| 2.1 Leap Motion与其数据类型 | 第19-24页 |
| 2.1.1 设备特性介绍 | 第19-20页 |
| 2.1.2 Leap Motion的数据类型 | 第20-24页 |
| 2.2 手势数据采集 | 第24-28页 |
| 2.2.1 数据采集流程 | 第24-26页 |
| 2.2.2 静态与动态手势的数据采集 | 第26页 |
| 2.2.3 从Leap Motion中捕捉图像 | 第26-27页 |
| 2.2.4 帧的序列化和反序列化 | 第27-28页 |
| 2.3 手势数据的特征处理 | 第28-31页 |
| 2.3.1 帧数据的特征选择与提取 | 第28-30页 |
| 2.3.2 动态手势数据的采样 | 第30页 |
| 2.3.3 数据增强 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 手势识别的深度学习模型 | 第33-51页 |
| 3.1 深度学习简介 | 第33-41页 |
| 3.1.1 前馈神经网络 | 第35-36页 |
| 3.1.2 激活函数 | 第36页 |
| 3.1.3 损失函数与反向传播 | 第36-37页 |
| 3.1.4 循环神经网络与其局限 | 第37-40页 |
| 3.1.5 LSTM | 第40-41页 |
| 3.2 TensorFlow简介 | 第41页 |
| 3.3 静态手势识别 | 第41-46页 |
| 3.4 动态手势识别 | 第46-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 手势识别和数据采集可视化系统 | 第51-65页 |
| 4.1 QT框架简介 | 第52-54页 |
| 4.2 可视化主界面 | 第54-56页 |
| 4.3 手势识别的可视化 | 第56-58页 |
| 4.4 数据采集可视化 | 第58-62页 |
| 4.5 可视化主程序 | 第62-64页 |
| 4.6 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-69页 |
| 5.1 总结 | 第65-66页 |
| 5.2 展望 | 第66-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 攻读学位期间发表的学位论文 | 第75页 |
