| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外应用现状 | 第12-13页 |
| 1.3 视觉动态手势识别的难点 | 第13-15页 |
| 1.4 本文的研究内容和组织结构 | 第15-17页 |
| 第二章 相关知识概述 | 第17-28页 |
| 2.1 手势检测 | 第17-20页 |
| 2.1.1 基于皮肤颜色 | 第18页 |
| 2.1.2 基于手掌外形 | 第18-19页 |
| 2.1.3 基于像素级别 | 第19-20页 |
| 2.2 手势跟踪 | 第20-22页 |
| 2.3 手势特征提取 | 第22-25页 |
| 2.3.1 表观特征 | 第22-23页 |
| 2.3.2 运动特征 | 第23-24页 |
| 2.3.3 时空特征 | 第24-25页 |
| 2.4 手势的分类识别 | 第25-27页 |
| 2.4.1 传统机器学习方法 | 第25-26页 |
| 2.4.2 深度学习方法 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于三通路卷积神经网络的多模态动态手势识别 | 第28-52页 |
| 3.1 引言 | 第28-29页 |
| 3.2 三维卷积神经网络(3D-CNN) | 第29-32页 |
| 3.2.1 2D卷积和3D卷积 | 第30-31页 |
| 3.2.2 2D池化和3D池化 | 第31-32页 |
| 3.3 像素变化概率图(PCPM) | 第32-36页 |
| 3.3.1 PCPM计算原理 | 第32-33页 |
| 3.3.2 带噪声的深度视频计算PCPM | 第33-34页 |
| 3.3.3 PCPM序列长度标准化 | 第34-36页 |
| 3.4 增强静态姿势图(eSPM) | 第36-37页 |
| 3.5 网络结构和训练 | 第37-42页 |
| 3.5.1 3SCNN的网络结构 | 第37-40页 |
| 3.5.2 网络训练 | 第40-42页 |
| 3.6 实验结果与分析 | 第42-50页 |
| 3.6.1 数据集IsoGD介绍 | 第42-44页 |
| 3.6.2 数据集SKIG介绍 | 第44-45页 |
| 3.6.3 数据集IsoGD实验与分析 | 第45-49页 |
| 3.6.4 数据集SKIG实验与分析 | 第49-50页 |
| 3.7 本章小结 | 第50-52页 |
| 第四章 基于长短期记忆的多尺度卷积神经网络的动态手势识别 | 第52-69页 |
| 4.1 引言 | 第52-53页 |
| 4.2 长短期记忆单元 | 第53-56页 |
| 4.2.1 递归神经网络(RNN) | 第53-55页 |
| 4.2.2 长短期记忆网络(LSTM) | 第55-56页 |
| 4.3 多尺度卷积 | 第56-59页 |
| 4.3.1 多尺度卷积结构(MSC) | 第56-58页 |
| 4.3.2 压缩多尺度卷积结构(rMSC) | 第58-59页 |
| 4.4 网络结构和训练 | 第59-63页 |
| 4.4.1 LSTM-MSCNN的网络结构 | 第59-61页 |
| 4.4.2 网络训练 | 第61-63页 |
| 4.5 实验结果与分析 | 第63-68页 |
| 4.5.1 数据集IsoGD实验与分析 | 第63-66页 |
| 4.5.2 数据集SKIG实验与分析 | 第66-67页 |
| 4.5.3 LSTM-MSCNN与3SCNN的模型大小对比分析 | 第67-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-72页 |
| 5.1 本文总结 | 第69-70页 |
| 5.2 后期展望 | 第70-72页 |
| 参考文献 | 第72-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-81页 |
| 致谢 | 第81-82页 |
| 附件 | 第82页 |
