| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 综述 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11页 |
| 1.2.3 国外研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 相关理论研究综述 | 第15-31页 |
| 2.1 RealSense | 第15-17页 |
| 2.1.1 自然人机交互 | 第15-16页 |
| 2.1.2 Intel RealSense技术 | 第16-17页 |
| 2.2 TensorFlow | 第17-19页 |
| 2.3 基于深度学习的图像处理综述 | 第19-29页 |
| 2.3.1 k-Nearest Neighbor图像分类与数据驱动 | 第20-22页 |
| 2.3.2 线性分类 | 第22-23页 |
| 2.3.3 最优化 | 第23-24页 |
| 2.3.4 反向传播 | 第24-27页 |
| 2.3.5 非线性激活函数 | 第27-29页 |
| 2.4 手势识别相关算法 | 第29-31页 |
| 第三章 基于CNN的三维手势识别模型研究 | 第31-51页 |
| 3.1 图像数据集及预处理 | 第31-33页 |
| 3.2 卷积神经网络 | 第33-40页 |
| 3.2.1 卷积神经网络基本思想 | 第33-34页 |
| 3.2.2 CNN层的排列规律 | 第34页 |
| 3.2.3 基于CNN的网络模型 | 第34-40页 |
| 3.3 基于AlexNet的3DGR1建模 | 第40-44页 |
| 3.4 基于VGGNet的3DGR2建模 | 第44-47页 |
| 3.5 模型训练 | 第47-51页 |
| 第四章 3DGR模型训练与模型分析 | 第51-68页 |
| 4.1 实验环境平台分析与搭建 | 第51-53页 |
| 4.1.1 实验平台分析 | 第51页 |
| 4.1.2 TensorFlow实验平台搭建 | 第51-53页 |
| 4.2 三维手势图像采集与预处理 | 第53-55页 |
| 4.2.1 RealSense采集三维图像 | 第53-54页 |
| 4.2.2 三维图像预处理 | 第54-55页 |
| 4.3 3DGR模型训练过程展示与分析 | 第55-60页 |
| 4.3.1 3DGR1测试 | 第56-59页 |
| 4.3.2 3DGR2测试 | 第59-60页 |
| 4.4 应用实例结果分析与总结 | 第60-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68-69页 |
| 5.2 进一步工作及展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73页 |