智能空间下基于AHRS的人体动作识别
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.1.1 课题来源 | 第12页 |
| 1.1.2 课题研究背景及意义 | 第12-13页 |
| 1.2 相关问题的研究现状 | 第13-17页 |
| 1.2.1 人体动作表示方法 | 第13-14页 |
| 1.2.2 人体动作识别算法 | 第14-17页 |
| 1.3 本文主要研究内容 | 第17-18页 |
| 1.4 论文章节安排 | 第18-20页 |
| 第二章 动作捕捉平台搭建及其数据处理 | 第20-30页 |
| 2.1 人体动作捕捉平台搭建 | 第20-22页 |
| 2.1.1 AHRS模块硬件设计 | 第21-22页 |
| 2.1.2 AHRS模块工作原理 | 第22页 |
| 2.2 数据处理与融合 | 第22-27页 |
| 2.2.1 小波降噪 | 第22-24页 |
| 2.2.2 多传感器数据融合 | 第24-25页 |
| 2.2.3 基于扩展卡尔曼滤波器的姿态角度融合 | 第25-27页 |
| 2.3 人体动作捕捉平台性能评估 | 第27-29页 |
| 2.3.1 AHRS模块精度评估 | 第27-28页 |
| 2.3.2 人体动作捕捉系统效果评估 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于ED-DTW算法的手势动作识别 | 第30-40页 |
| 3.1 手势动作描述 | 第30-31页 |
| 3.2 基于ED-DTW算法的手势动作识别 | 第31-37页 |
| 3.2.1 基于倒频谱的手势动作序列端点检测 | 第31-32页 |
| 3.2.2 DTW算法模型 | 第32-34页 |
| 3.2.3 应用ED-DTW算法识别手势动作 | 第34-37页 |
| 3.3 手势动作识别结果 | 第37-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 基于HHMM算法的人体基本动作识别 | 第40-48页 |
| 4.1 人体基本动作描述 | 第40-41页 |
| 4.2 基于HHMM算法的基本动作识别 | 第41-46页 |
| 4.2.1 HMM算法简介 | 第41-42页 |
| 4.2.2 HHMM算法建模 | 第42-43页 |
| 4.2.3 HHMM模型参数估计 | 第43-46页 |
| 4.3 人体基本动作识别结果 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于CHMM算法的人体复杂动作识别 | 第48-62页 |
| 5.1 人体复杂动作描述 | 第48-50页 |
| 5.2 基于CHMM算法的人体复杂动作识别 | 第50-52页 |
| 5.2.1 CHMM建模及参数训练 | 第50-51页 |
| 5.2.2 应用CHMM算法识别人体复杂动作 | 第51-52页 |
| 5.3 人体复杂动作识别结果 | 第52-53页 |
| 5.4 室内定位与动作识别相互补偿研究 | 第53-60页 |
| 5.4.1 组合定位系统模型 | 第54页 |
| 5.4.2 PDR定位 | 第54-56页 |
| 5.4.3 基于WT-UKF的组合定位融合算法 | 第56-59页 |
| 5.4.4 组合定位精度评估 | 第59-60页 |
| 5.5 本章小结 | 第60-62页 |
| 第六章 基于BP算法的人体摔倒动作识别 | 第62-68页 |
| 6.1 人体摔倒动作描述 | 第62-63页 |
| 6.2 基于BP神经网络的摔倒检测算法实现 | 第63-66页 |
| 6.2.1 融合加速度 | 第63-64页 |
| 6.2.2 神经网络模型 | 第64页 |
| 6.2.3 基于神经网络的摔倒检测算法实现 | 第64-66页 |
| 6.3 人体摔倒动作识别结果 | 第66-67页 |
| 6.4 本章小结 | 第67-68页 |
| 第七章 总结与展望 | 第68-70页 |
| 7.1 总结 | 第68-69页 |
| 7.2 展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-78页 |
| 硕士期间发表的论文与科研成果 | 第78-80页 |
| 硕士期间参加的科研工作 | 第80-82页 |
| 学位论文评阅及答辩情况表 | 第82页 |
