| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 手势分类器设计研究的背景与意义 | 第10-14页 |
| 1.1.1 一些手势识别方法概述 | 第11-12页 |
| 1.1.2 Kinect 设备原理综述 | 第12-13页 |
| 1.1.3 分类器方法综述 | 第13-14页 |
| 1.1.4 课题研究的背景与意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 图像特征提取领域研究现状 | 第15-16页 |
| 1.2.2 深度学习领域研究现状 | 第16-17页 |
| 1.2.3 手势识别的现状 | 第17-18页 |
| 1.3 本文主要研究内容及论文组织 | 第18-20页 |
| 第2章 分类器理论基础 | 第20-28页 |
| 2.1 引言 | 第20页 |
| 2.2 深度学习(Deep Learning)理论基础 | 第20-24页 |
| 2.2.1 深度 | 第21页 |
| 2.2.2 深度学习核心思想 | 第21-22页 |
| 2.2.3 几种基本的深度学习结构 | 第22-23页 |
| 2.2.4 Deep Learning 小结 | 第23-24页 |
| 2.3 Random-Forest 理论基础 | 第24-27页 |
| 2.3.1 决策树 | 第24-25页 |
| 2.3.2 Adaboost | 第25-26页 |
| 2.3.3 随机森林 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 数据的预处理 | 第28-34页 |
| 3.1 引言 | 第28页 |
| 3.2 数据采集流程简介 | 第28-29页 |
| 3.3 数据预处理 | 第29-32页 |
| 3.3.1 数据粗分离存在的一些问题 | 第30页 |
| 3.3.2 利用 Grabcut 对数据进行优化 | 第30-32页 |
| 3.4 优化后的数据集分类及规模 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 手势图像分类器设计 | 第34-47页 |
| 4.1 基于深度学习的手势图像分类器 | 第34-38页 |
| 4.1.1 Sparse Autoencoder 网络结构的设计 | 第34-36页 |
| 4.1.2 Stacked Autoencoder 网络结构设计 | 第36-38页 |
| 4.2 基于随机森林的手势图像分类器设计 | 第38-42页 |
| 4.2.1 手势图像特征设计 | 第38-41页 |
| 4.2.2 随机森林设计 | 第41-42页 |
| 4.3 实验结果分析比较 | 第42-46页 |
| 4.3.1 实验结果统计 | 第43-45页 |
| 4.3.2 实验结果对比与分析 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 结论 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第53-55页 |
| 致谢 | 第55页 |
