| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 特征提取方法综述 | 第12-14页 |
| 1.2.2 手势识别分类方法 | 第14-16页 |
| 1.3 研究内容与目标 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-19页 |
| 第2章 相关技术概述 | 第19-27页 |
| 2.1 引言 | 第19页 |
| 2.2 深度学习方法 | 第19-21页 |
| 2.2.1 卷积神经网络 | 第19-20页 |
| 2.2.2 深度信念网络 | 第20-21页 |
| 2.3 方向梯度直方图 | 第21-23页 |
| 2.4 光流 | 第23-24页 |
| 2.5 本章小结 | 第24-27页 |
| 第3章 基于3阶-2阶变量玻尔兹曼机(3D-2DRBM)模型的动态手势识别 | 第27-40页 |
| 3.1 引言 | 第27页 |
| 3.2 3D-2DRBM模型 | 第27-31页 |
| 3.3 基于双通道3D-2DRBM模型的动态手势识别 | 第31-36页 |
| 3.3.1 动态手势数据预处理 | 第32-33页 |
| 3.3.2 基于2DHOG的单帧特征表示 | 第33-35页 |
| 3.3.3 基于双通道3D-2DRBM的时空特征融合分类 | 第35-36页 |
| 3.4 实验结果与分析 | 第36-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 基于CNN-MVRBM-NN混合模型的动态手势识别 | 第40-52页 |
| 4.1 引言 | 第40页 |
| 4.2 CNN-MVRBM-NN混合模型 | 第40-43页 |
| 4.2.1 CNN-MVRBM-NN模型训练 | 第41-42页 |
| 4.2.2 CNN-MVRBM-NN模型测试 | 第42-43页 |
| 4.3 基于CNN的单帧空间特征提取 | 第43-44页 |
| 4.4 基于MVRBM的时空建模 | 第44-46页 |
| 4.5 基于预训练NN的手势识别 | 第46-47页 |
| 4.6 实验结果与分析 | 第47-50页 |
| 4.7 本章小结 | 第50-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间所取得的研究成果 | 第58-60页 |
| 致谢 | 第60页 |
