基于Kinect骨骼信息的人体动作识别与行为分析
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 论文的研究背景和意义 | 第9-12页 |
| 1.2 国内外现状与发展趋势 | 第12-14页 |
| 1.2.1 行为表示方法 | 第12-13页 |
| 1.2.2 动作识别方法 | 第13-14页 |
| 1.3 人体动作识别存在问题及发展趋势 | 第14页 |
| 1.4 主要研究内容及文章结构 | 第14-17页 |
| 第2章 Kinect传感器与数据获取 | 第17-29页 |
| 2.1 Kinect传感器 | 第17-19页 |
| 2.2 深度信息获取原理 | 第19-21页 |
| 2.3 骨骼信息获取原理 | 第21-26页 |
| 2.3.1 背景分割 | 第22页 |
| 2.3.2 人体部位分类 | 第22-24页 |
| 2.3.3 识别关节 | 第24-26页 |
| 2.4 本章小结 | 第26-29页 |
| 第3章 数据库与特征提取 | 第29-39页 |
| 3.1 Florance3DAction数据库 | 第29-30页 |
| 3.2 数据库的扩充 | 第30-34页 |
| 3.3 特征提取 | 第34-38页 |
| 3.3.1 人体结构向量 | 第34-36页 |
| 3.3.2 角度特征提取 | 第36-37页 |
| 3.3.3 模比值特征提取 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于遗传算法与神经网络的姿势识别 | 第39-55页 |
| 4.1 基于BP神经网络的姿势识别 | 第39-48页 |
| 4.1.1 BP神经网络 | 第39-42页 |
| 4.1.2 基于matlab的BP神经网络实现 | 第42-47页 |
| 4.1.3 姿势识别结果 | 第47-48页 |
| 4.2 基于遗传算法优化BP神经网络 | 第48-53页 |
| 4.2.1 遗传算法 | 第48-50页 |
| 4.2.2 遗传算法优化BP神经网络 | 第50-53页 |
| 4.2.3 姿势识别结果 | 第53页 |
| 4.3 本章小结 | 第53-55页 |
| 第5章 基于动态时间规整的行为识别 | 第55-63页 |
| 5.1 动态时间规整算法 | 第55-58页 |
| 5.2 改进的动态时间规整算法 | 第58-60页 |
| 5.3 实验结果分析 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士期间发表的论文和取得的科研成果 | 第69-71页 |
| 致谢 | 第71页 |
