复杂背景下基于深度学习的并行手势识别系统
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 引言 | 第13页 |
| 1.2 研究背景与意义 | 第13-16页 |
| 1.3 国内外研究现状 | 第16-20页 |
| 1.3.1 深度学习研究现状 | 第16-19页 |
| 1.3.2 手势识别研究现状 | 第19-20页 |
| 1.4 研究内容与章节安排 | 第20-23页 |
| 第二章 深度学习基本原理 | 第23-37页 |
| 2.1 深度学习的神经网络基础 | 第23-27页 |
| 2.2 深度学习特征提取方法 | 第27-31页 |
| 2.2.1 稀疏自编码算法 | 第27-29页 |
| 2.2.2 受限玻尔兹曼机算法 | 第29-31页 |
| 2.3 深度学习的深度特征提取 | 第31-33页 |
| 2.4 网络微调 | 第33-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第三章 基于深度学习的复杂背景手势识别 | 第37-47页 |
| 3.1 人机交互背景下的手势识别 | 第37页 |
| 3.2 手势图像处理常用算法 | 第37-42页 |
| 3.2.1 卷积网络 | 第38-39页 |
| 3.2.2 随机池化方法 | 第39-40页 |
| 3.2.3 SVD数据预处理 | 第40-42页 |
| 3.3 手势识别网络的优化方法 | 第42-43页 |
| 3.3.1 降噪自编码网络 | 第42-43页 |
| 3.3.2 自我学习 | 第43页 |
| 3.4 Softmax分类器 | 第43-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 手势识别系统的实现 | 第47-69页 |
| 4.1 基于ARM的手势图像采集 | 第47-50页 |
| 4.1.1 嵌入式平台搭建要点 | 第47-48页 |
| 4.1.2 嵌入式平台下的图像采集 | 第48-50页 |
| 4.2 终端与PC的数据传输 | 第50-61页 |
| 4.2.1 图像压缩 | 第51-53页 |
| 4.2.2 文件加密 | 第53-54页 |
| 4.2.3 运动目标检测 | 第54-56页 |
| 4.2.4 数据传输 | 第56-59页 |
| 4.2.5 采集系统的功能设计 | 第59-61页 |
| 4.3 手势识别的并行实现 | 第61-62页 |
| 4.4 实验结果与分析 | 第62-67页 |
| 4.5 本章小结 | 第67-69页 |
| 第五章 总结和展望 | 第69-71页 |
| 5.1 全文总结 | 第69页 |
| 5.2 未来工作展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |
