| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 论文研究的背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的主要研究内容 | 第12-14页 |
| 第2章 人体行为分析和识别研究 | 第14-21页 |
| 2.1 引言 | 第14页 |
| 2.2 常见动作捕捉方式 | 第14-17页 |
| 2.2.1 常见的动作捕捉方式 | 第14-15页 |
| 2.2.2 传统动作捕捉方案的分析 | 第15-16页 |
| 2.2.3 基于传感器的动作捕捉方式的分析 | 第16-17页 |
| 2.3 对人体行为的分类识别算法分析 | 第17-20页 |
| 2.3.1 常用分类识别算法 | 第17-19页 |
| 2.3.2 人体行为识别的现状及分析 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 动作信号采集及人体运动的三维重建 | 第21-30页 |
| 3.1 引言 | 第21页 |
| 3.2 基于惯性传感器的动作数据采集 | 第21-24页 |
| 3.2.1 动作捕捉传感器系统 | 第21-22页 |
| 3.2.2 动作捕捉的数据采集 | 第22-23页 |
| 3.2.3 数据存储和应用 | 第23-24页 |
| 3.3 人体运动姿态的模型建立和分析 | 第24-25页 |
| 3.3.1 常见的人体姿态模型 | 第24页 |
| 3.3.2 基于约束的层次人体骨骼模型 | 第24-25页 |
| 3.4 基于传感器数据的人体三维重建 | 第25-29页 |
| 3.4.1 数据解析和动态重构 | 第25-28页 |
| 3.4.2 人体三维模型的动态重建 | 第28-29页 |
| 3.5 人体运动的空间运动学参数分析 | 第29页 |
| 3.6 本章小结 | 第29-30页 |
| 第4章 基于支持向量机的日常行为识别 | 第30-51页 |
| 4.1 引言 | 第30页 |
| 4.2 支持向量机的最优分类面 | 第30-36页 |
| 4.2.1 线性可分的最优分类面 | 第30-34页 |
| 4.2.2 广义最大间隔分类器 | 第34-36页 |
| 4.3 支持向量机的核函数选取 | 第36-40页 |
| 4.3.1 核函数 | 第36-38页 |
| 4.3.2 最长公共子序列作为核函数 | 第38-40页 |
| 4.4 支持向量机用于多分类及实验平台 | 第40页 |
| 4.5 日常行为的分类研究 | 第40-44页 |
| 4.5.1 人体行为识别的特征选择 | 第40-42页 |
| 4.5.2 人体运动姿态参数提取和LCSS作为核函数的验证 | 第42-43页 |
| 4.5.3 支持向量机参数寻优和交叉验证 | 第43-44页 |
| 4.6 实验设计及结果分析 | 第44-50页 |
| 4.6.1 实验设计 | 第44-48页 |
| 4.6.2 实验结果与分析 | 第48-50页 |
| 4.7 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表的学术论文 | 第56-58页 |
| 致谢 | 第58页 |