| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 1 绪论 | 第15-21页 |
| 1.1 课题研究的背景和意义 | 第15-16页 |
| 1.2 深度信息的获取方法 | 第16-19页 |
| 1.2.1 双目立体视觉技术 | 第16-17页 |
| 1.2.2 飞行时间法 | 第17-18页 |
| 1.2.3 结构光传感器 | 第18-19页 |
| 1.3 论文的研究内容与章节安排 | 第19-21页 |
| 2 基于深度信息的人体运动识别概述 | 第21-36页 |
| 2.1 人体运动识别的一般方法 | 第21-27页 |
| 2.1.1 运动人体检测 | 第21-23页 |
| 2.1.2 运动表征与特征提取 | 第23-25页 |
| 2.1.3 运动识别方法 | 第25-27页 |
| 2.2 利用深度信息识别人体运动 | 第27-34页 |
| 2.2.1 基于深度图像的方法 | 第27-30页 |
| 2.2.2 基于骨架模型的方法 | 第30-34页 |
| 2.3 人体运动的深度信息数据库 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 3 基于深度信息多层运动历史图像的人体运动识别方法 | 第36-50页 |
| 3.1 多层运动历史图像 | 第36-39页 |
| 3.1.1 运动历史图像 | 第36-38页 |
| 3.1.2 多层运动历史图像 | 第38-39页 |
| 3.2 MLMHIs的特征提取 | 第39-42页 |
| 3.2.1 Hu不变矩 | 第39-40页 |
| 3.2.2 变换 | 第40-42页 |
| 3.3 支持向量机 | 第42-44页 |
| 3.4 实验结果与分析 | 第44-49页 |
| 3.4.1 PMD数据库实验结果与分析 | 第44-47页 |
| 3.4.2 MSR Daily3D数据库实验结果与分析 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 4 基于深度信息时空兴趣点的人体运动识别方法 | 第50-66页 |
| 4.1 Harris时空兴趣点检测 | 第50-55页 |
| 4.1.1 Harris角点检测 | 第50-54页 |
| 4.1.2 Harris时空兴趣点检测 | 第54-55页 |
| 4.2 基于Gabor滤波器的时空兴趣点检测 | 第55-58页 |
| 4.2.1 Gabor滤波器 | 第55-57页 |
| 4.2.2 基于Gabor滤波器的时空兴趣点检测 | 第57-58页 |
| 4.3 深度信息时空兴趣点的特征提取 | 第58-59页 |
| 4.4 实验结果与分析 | 第59-65页 |
| 4.4.1 PMD数据库实验结果与分析 | 第59-62页 |
| 4.4.2 MSR Daily3D运动数据库实验结果与分析 | 第62-65页 |
| 4.5 本章小结 | 第65-66页 |
| 5 总结与展望 | 第66-68页 |
| 5.1 总结 | 第66页 |
| 5.2 展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第74-75页 |
