基于深度学习的静态手势实时识别方法研究

目录

声明

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 基于传感器设备的手势识别

1.2.2 基于视觉的手势识别

1.3 论文主要研究内容及结构安排

第2章 卷积神经网络及目标检测算法概述

2.1 卷积神经网络的历史

2.2 卷积神经网络的基本结构

2.2.1 输入层

2.2.2 卷积层

2.2.3 池化层

2.2.4 全连接层

2.2.5 输出层

2.3 经典的卷积神经网络

2.3.1 LeNet-5网络

2.3.2 AlexNet网络

2.3.3VGG Net网络

2.3.4 GoogleNet网络

2.3.5 ResNet网络

2.4 目标检测算法概述

2.4.1 R-CNN系列

2.4.2 YOLO系列

2.5 本章小结

第3章 基于ShuffleNetv2-YOLOv3模型的手势识别

3.1 YOLOv3模型原理

3.1.1 主干网络Darknet-53

3.1.2Bounding Box预测

3.1.3 多尺度预测

3.1.4 类别预测

3.1.5 YOLOv3模型的性能分析

3.2 ShuffleNetv2轻量化网络原理

3.2.1 ShuffleNetv2提出目的

3.2.1 ShuffleNetv1网络

3.2.2 ShuffleNetv2网络

3.3 改进的ShuffleNetv2-YOLOv3网络模型

3.4 数据集制作与前期准备

3.4.1 手势数据集

3.4.2 评价指标

3.4.3 实验操作环境

3.5 实验结果与分析

3.5.1 ShuffleNetv2输出通道的选择

3.5.2 检测层尺度大小的选择

3.5.3 使用CBAM注意力机制模块的测试结果

3.5.4使用K-means聚类Anchors的测试结果

3.5.5 不同主干网络的测试结果

3.5.6 ShuffleNetv2-YOLOv3网络模型的测试结果

3.6本章小结

第4章 基于优化CenterNet算法的手势识别

4.1 CenterNet算法思想

4.2 CenterNet算法与Anchor-Based型算法的比较

4.3 CenterNet目标检测算法原理

4.3.1 关键点损失函数

4.3.2 Offset损失函数

4.3.3 尺寸损失函数

4.3.4 整体损失函数

4.4.5 CenterNet算法的主干网络

4.4 MobileNetv3轻量化网络

4.5 优化后的CenterNet算法性能分析

4.6 本章小结

第5章 结论与展望

5.1 结论

5.2 展望

参考文献

攻读学位期间取得的科研成果

致谢