| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-14页 |
| 缩略语对照表 | 第14-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 研究背景与意义 | 第17-19页 |
| 1.1.1 研究背景 | 第17页 |
| 1.1.2 研究意义 | 第17-19页 |
| 1.2 应用中的挑战 | 第19-20页 |
| 1.3 主要研究内容和章节安排 | 第20-23页 |
| 1.3.1 研究内容 | 第20-21页 |
| 1.3.2 章节安排 | 第21-23页 |
| 第二章 手势识别算法概述 | 第23-37页 |
| 2.1 手势识别算法发展趋势 | 第23-24页 |
| 2.2 手势数据集概述 | 第24-26页 |
| 2.3 基于传统方法的手势识别算法概述 | 第26-32页 |
| 2.3.1 特征提取方法介绍 | 第26-30页 |
| 2.3.2 分类模型介绍 | 第30-32页 |
| 2.4 基于深度学习的手势识别算法概述 | 第32-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 基于光流的均匀随机采样 | 第37-51页 |
| 3.1 现有采样方法介绍 | 第37-38页 |
| 3.2 本文采样方法描述 | 第38-43页 |
| 3.2.1 光流原理 | 第38-39页 |
| 3.2.2 计算光流幅值 | 第39-41页 |
| 3.2.3 基于光流的关键帧数目估计 | 第41-42页 |
| 3.2.4 均匀随机采样 | 第42-43页 |
| 3.3 采样效果比较 | 第43-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第四章 基于多流三维卷积神经网络的手势识别 | 第51-65页 |
| 4.1 神经网络概述 | 第51-54页 |
| 4.1.1 卷积神经网络概述 | 第51-53页 |
| 4.1.2 三维卷积神经网络概述 | 第53-54页 |
| 4.2 本文算法描述 | 第54-63页 |
| 4.2.1 分层策略 | 第54-57页 |
| 4.2.2 网络模型输入归一化 | 第57-58页 |
| 4.2.3 多模态数据融合 | 第58-61页 |
| 4.2.4 分类策略 | 第61-63页 |
| 4.3 本章小结 | 第63-65页 |
| 第五章 实验结果比较与分析 | 第65-75页 |
| 5.1 训练策略 | 第65-66页 |
| 5.2 Cha Learn LAP Iso GD数据集概述 | 第66页 |
| 5.3 手势识别算法模块性能测试与比较分析 | 第66-73页 |
| 5.3.1 基于光流均匀随机采样的实验结果与分析 | 第66-69页 |
| 5.3.2 基于分层策略的实验结果与分析 | 第69-70页 |
| 5.3.3 基于多模态数据融合的实验结果与分析 | 第70-72页 |
| 5.3.4 基于SVM分类模型的实验结果与分析 | 第72-73页 |
| 5.4 本文算法实验结果比较与分析 | 第73-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-85页 |
| 作者简介 | 第85-86页 |