基于深度学习的手势识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.2.3 发展态势 | 第14页 |
| 1.3 主要研究内容与论文组织结构 | 第14-17页 |
| 1.3.1 论文主要研究内容 | 第14-15页 |
| 1.3.2 论文组织结构 | 第15-17页 |
| 第二章 深度学习理论 | 第17-34页 |
| 2.1 基于限制玻尔兹曼机多层网络 | 第18-25页 |
| 2.1.1 基于能量的模型 | 第18-21页 |
| 2.1.2 限制玻尔兹曼机 | 第21-22页 |
| 2.1.3 RBM的释然梯度 | 第22-24页 |
| 2.1.4 RBM似然梯度的逼近 | 第24-25页 |
| 2.1.5 深信网络 | 第25页 |
| 2.2 卷积神经网络 | 第25-33页 |
| 2.2.1 卷积神经网络的基本结构 | 第26-29页 |
| 2.2.2 卷积神经网络的理论计算 | 第29-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第三章 静态手势识别 | 第34-62页 |
| 3.1 手势样本及处理介绍 | 第34-35页 |
| 3.2 训练深度神经网络 | 第35-41页 |
| 3.2.1 统计学习与批量学习 | 第36-37页 |
| 3.2.2 学习顺序 | 第37页 |
| 3.2.3 归一化数据 | 第37-38页 |
| 3.2.4 激励函数 | 第38-39页 |
| 3.2.5 学习率 | 第39页 |
| 3.2.6 梯度下降法 | 第39-41页 |
| 3.3 简单背景下的静态手势识别 | 第41-52页 |
| 3.3.1 深信网络DBNs识别手势 | 第41-46页 |
| 3.3.2 DNN手势识别 | 第46-48页 |
| 3.3.3 基于卷积神经网络的手势识别 | 第48-49页 |
| 3.3.4 CNN和RBM的联合网络 | 第49-51页 |
| 3.3.5 传统神经网络的手势识别 | 第51-52页 |
| 3.4 仿真结果及分析 | 第52-60页 |
| 3.4.1 简单背景下的手势识别结果及分析 | 第52-59页 |
| 3.4.2 复杂背景下的手势识别结果及分析 | 第59-60页 |
| 3.5 本章小结 | 第60-62页 |
| 第四章 基于视频流的手势识别 | 第62-73页 |
| 4.1 常用的手势检测方法 | 第62-63页 |
| 4.1.1 色彩 | 第62页 |
| 4.1.2 轮廓 | 第62-63页 |
| 4.1.3 从像素值中学习检测 | 第63页 |
| 4.1.4 运动轨迹 | 第63页 |
| 4.2 常用的手势跟踪方法 | 第63-65页 |
| 4.2.1 基于模板匹配的跟踪 | 第64页 |
| 4.2.2 最优估计技术 | 第64页 |
| 4.2.3 基于均值漂移算法的跟踪 | 第64页 |
| 4.2.4 粒子滤波 | 第64-65页 |
| 4.3 常用的手势识别方法 | 第65-66页 |
| 4.3.1 模板匹配 | 第65页 |
| 4.3.2 基于主成分分析法 | 第65-66页 |
| 4.3.3 支持向量机 | 第66页 |
| 4.3.4 神经网络 | 第66页 |
| 4.4 视频流中的手势检测 | 第66-69页 |
| 4.5 视频流中的手势跟踪 | 第69-71页 |
| 4.6 视频流中的手势识别 | 第71-72页 |
| 4.7 本章小结 | 第72-73页 |
| 第五章 总结和展望 | 第73-75页 |
| 5.1 结论 | 第73-74页 |
| 5.2 下一步工作的展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
