基于深度学习的手势识别应用研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 研究现状及发展趋势 | 第14-17页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-17页 |
| 1.2.3 发展趋势 | 第17页 |
| 1.3 本文主要研究内容 | 第17-18页 |
| 1.4 章节安排 | 第18-19页 |
| 第2章 深度学习理论 | 第19-32页 |
| 2.1 深度学习概述 | 第19-20页 |
| 2.2 深度置信网络 | 第20-23页 |
| 2.2.1 受限玻尔兹曼机 | 第20-22页 |
| 2.2.2 深度置信网络 | 第22-23页 |
| 2.3 循环神经网络 | 第23-25页 |
| 2.3.1 循环神经网络的特点 | 第23页 |
| 2.3.2 循环神经网络结构 | 第23-25页 |
| 2.4 卷积神经网络 | 第25-31页 |
| 2.4.1 卷积神经网络概述 | 第25页 |
| 2.4.2 卷积神经网络的结构 | 第25-28页 |
| 2.4.3 前向传播与代价函数 | 第28-29页 |
| 2.4.4 反向传播与参数更新 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 静态手势识别方法 | 第32-49页 |
| 3.1 静态手势识别常用方法概述 | 第32-33页 |
| 3.2 静态手势识别一般步骤 | 第33-43页 |
| 3.2.1 手势预处理 | 第33-38页 |
| 3.2.2 特征提取和特征选择 | 第38-42页 |
| 3.2.3 手势分类识别 | 第42-43页 |
| 3.3 基于卷积神经网络的手势识别算法 | 第43-48页 |
| 3.3.1 卷积神经网络结构设计 | 第43页 |
| 3.3.2 实验基础 | 第43-44页 |
| 3.3.3 不同梯度优化策略对网络的影响 | 第44-47页 |
| 3.3.4 全连接层神经元个数对网络的影响 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 改进的静态手势识别方法 | 第49-56页 |
| 4.1 手势预处理 | 第49-51页 |
| 4.1.1 颜色空间的选取 | 第49-50页 |
| 4.1.2 椭圆肤色模型 | 第50页 |
| 4.1.3 手势图像的进一步处理 | 第50-51页 |
| 4.2 卷积神经网络的改进 | 第51-54页 |
| 4.2.1 Inception结构 | 第51页 |
| 4.2.2 改进的卷积神经网络 | 第51-52页 |
| 4.2.3 实验结果及分析 | 第52-54页 |
| 4.3 实时手势识别系统 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 手势控制浏览器的设计及实现 | 第56-63页 |
| 5.1 手势控制浏览器设计 | 第56-59页 |
| 5.1.1 应用分析 | 第57页 |
| 5.1.2 基础模块设计 | 第57-58页 |
| 5.1.3 手势模块的设计 | 第58-59页 |
| 5.2 编程与调试 | 第59页 |
| 5.3 实际测试及分析 | 第59-61页 |
| 5.4 本章小结 | 第61-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 结论 | 第63-64页 |
| 6.2 工作展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读学位期间发表的学术论文 | 第70-71页 |
| 致谢 | 第71-72页 |
