| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1. 研究背景和意义 | 第8-11页 |
| 1.1.1. 手势识别技术概述 | 第8-10页 |
| 1.1.2. 手势识别技术的应用 | 第10-11页 |
| 1.2. 手势识别中的问题 | 第11-12页 |
| 1.3. 本文主要研究内容 | 第12-13页 |
| 1.3.1. 基于深度信息的动态手势识别技术 | 第12页 |
| 1.3.2. 基于多核函数的度量学习 | 第12-13页 |
| 1.4. 论文结构安排 | 第13-14页 |
| 第2章 相关工作 | 第14-18页 |
| 2.1. 概述 | 第14页 |
| 2.2. 实验用数据库研究现状 | 第14-15页 |
| 2.3. 手势识别研究现状 | 第15-17页 |
| 2.3.1. 手势多特征融合 | 第15-16页 |
| 2.3.2. 特征核学习 | 第16-17页 |
| 2.4. 本章小结 | 第17-18页 |
| 第3章 多信息融合的手势识别 | 第18-25页 |
| 3.1. 概述 | 第18-19页 |
| 3.2. 原理与方法分析 | 第19页 |
| 3.3. 动态手势特征提取算法 | 第19-24页 |
| 3.3.1. 多尺度形状信息提取 | 第20-21页 |
| 3.3.2. 傅里叶时空特征提取 | 第21-23页 |
| 3.3.3. 融合特征构建 | 第23-24页 |
| 3.4. 特征性能评价 | 第24页 |
| 3.5. 本章小结 | 第24-25页 |
| 第4章 基于非线性的多核嵌入策略 | 第25-36页 |
| 4.1. 概述 | 第25页 |
| 4.2. 基于非线性方法的手势特征分析 | 第25-28页 |
| 4.2.1. 问题描述 | 第25-26页 |
| 4.2.2. 非线性核学习算法 | 第26-27页 |
| 4.2.3. 非线性手势运动原理 | 第27-28页 |
| 4.3. 单核特征学习理论 | 第28-31页 |
| 4.3.1. 核方法原理 | 第28-30页 |
| 4.3.2. 核定义非线性分类 | 第30-31页 |
| 4.4. 多核学习理论框架 | 第31-35页 |
| 4.4.1. 多核学习的基本流程 | 第31-32页 |
| 4.4.2. 多核线性融合方法 | 第32-33页 |
| 4.4.3. 核对齐求解权重 | 第33-34页 |
| 4.4.4. 多核学习算法 | 第34-35页 |
| 4.5. 本章小结 | 第35-36页 |
| 第5章 实验结果与分析 | 第36-46页 |
| 5.1. 实验描述 | 第36页 |
| 5.2. 实验环境与数据 | 第36-37页 |
| 5.2.1. MSRGesture3D数据库 | 第37页 |
| 5.2.2. SKIG数据库 | 第37页 |
| 5.3. 实验设计与结果 | 第37-45页 |
| 5.3.1. 在SKIG上性能评估 | 第38-42页 |
| 5.3.2. 在MSRGesture3D上性能评估 | 第42-45页 |
| 5.4. 本章小结 | 第45-46页 |
| 第6章 总结与展望 | 第46-48页 |
| 6.1. 总结 | 第46-47页 |
| 6.2. 展望 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 发表论文和参加科研情况说明 | 第52-53页 |
| 致谢 | 第53页 |