第1章 手势识别的基本概念及发展
1.1 手势识别的概念
1.1.1 手势的形成与其在人类社会中的作用
1.1.2 手势与人机交互
1.2 手势识别算法的发展情况
1.2.1 基于手工特征的方法
1.2.2 基于概率图模型的方法
1.2.3 基于视觉词袋的方法
1.2.4 基于神经网络的方法
1.3 当前手势识别领域面临的挑战
1.4 本章小结
参考文献
第2章 手势识别领域的常用数据集
2.1 静态手势数据集
2.2 动态手势数据集
2.3 数据集总结
2.4 本章小结
参考文献
第3章 基于手工特征的手势识别方法
3.1 手部区域分割
3.1.1 基于边缘信息的分割方法
3.1.2 基于运动分析的分割技术
3.1.3 基于肤色特征的分割方法
3.1.4 小结
3.2 手势特征提取
3.2.1 Haar-like特征
3.2.2 LBP特征
3.2.3 SIFT特征
3.2.4 SURF特征
3.2.5 HOG特征
3.2.6 HOF特征
3.2.7 小结
3.3 手势识别
3.3.1 模板匹配
3.3.2 有限状态机
3.3.3 动态时间规整
3.4 本章小结
参考文献
第4章 基于卷积神经网络的手势识别方法
4.1 深度卷积神经网络的发展概述
4.2 深度卷积神经网络的基本操作
4.2.1 卷积神经网络的特点
4.2.2 卷积神经网络的基本结构
4.2.3 卷积神经网络的训练过程
4.3 二维卷积神经网络在手势识别中的应用
4.3.1 双流网络
4.3.2 Temporal Segment Networks
4.4 三维卷积神经网络的基本操作
4.4.1 三维卷积
4.4.2 三维池化
4.5 三维卷积神经网络在手势识别中的应用
4.5.1 C3D网络
4.5.2 ResC3D网络
4.5.3 Two-Stream Inflated 3D ConvNet网络
4.6 本章小结
参考文献
第5章 基于循环神经网络及其变种的手势识别方法
5.1 循环神经网络的发展概述
5.2 循环神经网络及其变种
5.2.1 RNN的基本结构
5.2.2 双向RNN
5.2.3 LSTM
5.2.4 GRU
5.3 结合外部存储单元的记忆网络
5.3.1 记忆网络框架
5.3.2 神经图灵机
5.4 循环神经网络在手势识别中的应用
5.4.1 RNN在手势识别中的应用
5.4.2 LSTM在手势识别中的应用
5.4.3 记忆网络和LSTM相结合在手势识别中的应用
5.5 本章小结
参考文献
第6章 基于多模态数据融合的手势识别方法
6.1 多模态数据的生成
6.1.1 深度数据
6.1.2 红外数据
6.1.3 骨骼数据
6.1.4 光流数据
6.1.5 显著性数据
6.2 不同模态数据的融合算法
6.2.1 数据级融合
6.2.2 特征级融合
6.2.3 决策级融合
6.2.4 其他融合方法
6.3 本章小结
参考文献
第7章 手势识别与注意力机制
7.1 注意力机制的概念
7.1.1 注意力机制的研究进展
7.1.2 人类的视觉注意力
7.1.3 注意力机制在计算机视觉中的使用
7.2 作为手势识别前处理的注意力机制
7.2.1 光照平衡
7.2.2 预先手部检测
7.3 基于不同模态数据互补性的注意力机制
7.4 本章小结
参考文献
第8章 基于手势识别的人机交互案例
8.1 手势识别案例一：无人机控制
8.2 手势识别案例二：智能家居控制
8.3 手势识别案例三：机器人控制
8.4 本章小结
参考文献
第9章 手势识别在未来人机交互中应用的发展探讨
9.1 面向人机交互的手势识别新技术
9.1.1 当前手势识别技术面临的问题
9.1.2 未来的研究方向
9.2 手势识别在人机交互中的新应用
9.2.1 智能驾驶
9.2.2 智能家居
9.2.3 无人机控制
9.2.4 机器人控制
9.3 本章小结
参考文献
展开
