基于机器学习的人形机器人识别与模仿人体动作方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-23页 |
| 1.1 研究来源与背景意义 | 第12-14页 |
| 1.2 人形机器人发展概况 | 第14-20页 |
| 1.2.1 国外发展概况 | 第14-16页 |
| 1.2.2 国内发展概况 | 第16-17页 |
| 1.2.3 人形机器人特点 | 第17-19页 |
| 1.2.4 人形机器人模仿人体动作 | 第19-20页 |
| 1.3 本文主要工作 | 第20-21页 |
| 1.4 论文结构安排 | 第21-23页 |
| 第2章 相关理论与研究 | 第23-32页 |
| 2.1 机器学习 | 第23-27页 |
| 2.1.1 机器学习的定义 | 第23页 |
| 2.1.2 机器学习的发展历史与现状 | 第23-25页 |
| 2.1.3 机器学习的分类 | 第25-26页 |
| 2.1.4 基于机器学习的模式识别算法 | 第26-27页 |
| 2.2 人体动作识别 | 第27-31页 |
| 2.2.1 人体特征表示 | 第27-29页 |
| 2.2.2 动作识别方法 | 第29-31页 |
| 2.2.3 识别影响因素 | 第31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 目标检测与跟踪 | 第32-45页 |
| 3.1 目标检测方法 | 第32-34页 |
| 3.1.1 光流法 | 第32页 |
| 3.1.2 帧间差分法 | 第32-33页 |
| 3.1.3 背景差分法 | 第33-34页 |
| 3.2 基于概率统计的背景差分法 | 第34-37页 |
| 3.2.1 背景图像提取 | 第34-36页 |
| 3.2.2 前景检测 | 第36页 |
| 3.2.3 背景图像更新 | 第36-37页 |
| 3.2.4 后续处理 | 第37页 |
| 3.3 目标跟踪 | 第37-40页 |
| 3.3.1 核密度估计 | 第37-38页 |
| 3.3.2 meanshift算法 | 第38-40页 |
| 3.3.3 camshift算法 | 第40页 |
| 3.4 实验结果与分析 | 第40-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 联合动作特征提取 | 第45-52页 |
| 4.1 关键帧提取 | 第45-46页 |
| 4.1.1 覆盖率 | 第45页 |
| 4.1.2 失真率 | 第45-46页 |
| 4.2 联合特征提取 | 第46-49页 |
| 4.2.1 整体相对值特征 | 第46-47页 |
| 4.2.2 Hu不变矩 | 第47-48页 |
| 4.2.3 联合特征 | 第48-49页 |
| 4.3 实验结果与分析 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 动作识别与模仿 | 第52-68页 |
| 5.1 SVM分类器 | 第52-57页 |
| 5.1.1 线性可分情况求解 | 第52-54页 |
| 5.1.2 线性不可分情况求解 | 第54-56页 |
| 5.1.3 多类分类问题 | 第56-57页 |
| 5.2 动静结合动作识别方法 | 第57-58页 |
| 5.3 机器人模仿 | 第58-63页 |
| 5.3.1 NAO机器人 | 第58-59页 |
| 5.3.2 NAO机器人结构与模块调用 | 第59-61页 |
| 5.3.3 NAO机器人坐标系统与转换 | 第61页 |
| 5.3.4 关节点弧度计算 | 第61-63页 |
| 5.4 实验结果与分析 | 第63-67页 |
| 5.5 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75页 |
