| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-14页 |
| 1.2.1 基于信号处理的算法 | 第10-11页 |
| 1.2.2 基于低秩填充的方法 | 第11-12页 |
| 1.2.3 基于数据驱动的方法 | 第12-13页 |
| 1.2.4 人体运动捕捉数据失真恢复面临的问题 | 第13-14页 |
| 1.3 本文的主要内容与结构安排 | 第14-16页 |
| 1.3.1 本文主要内容 | 第14页 |
| 1.3.2 本文结构安排 | 第14-16页 |
| 第二章 人体运动捕捉失真恢复的理论分析 | 第16-28页 |
| 2.1 MOCAP数据的特性 | 第16-20页 |
| 2.2 双边滤波 | 第20-21页 |
| 2.3 稀疏理论 | 第21-23页 |
| 2.3.1 稀疏编码 | 第21-22页 |
| 2.3.2 稀疏理论的应用 | 第22-23页 |
| 2.3.2.1 稀疏分解去噪的基本思想 | 第22-23页 |
| 2.3.2.2 稀疏域信号修补 | 第23页 |
| 2.4 低秩逼近理论 | 第23-25页 |
| 2.4.1 低秩稀疏分解 | 第23-24页 |
| 2.4.2 低秩补全 | 第24页 |
| 2.4.3 低秩矩阵表示（LRR） | 第24-25页 |
| 2.5 谱聚类 | 第25-26页 |
| 2.6 子空间聚类算法 | 第26-28页 |
| 第三章 基于稀疏子空间聚类和低秩表示的MOCAP数据去噪 | 第28-51页 |
| 3.1 引言 | 第28-29页 |
| 3.2 语义分割 | 第29-34页 |
| 3.2.1 系数矩阵的求解 | 第29-33页 |
| 3.2.2 分割 | 第33-34页 |
| 3.3 利用低秩表示（LRR）进行去噪 | 第34-39页 |
| 3.4 实验结果与分析 | 第39-50页 |
| 3.4.1 实验设计 | 第39-40页 |
| 3.4.2 分割结果 | 第40-42页 |
| 3.4.3 低秩表示去噪结果分析 | 第42-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于骨骼长度约束和稀疏表示的MOCAP数据恢复 | 第51-67页 |
| 4.1 引言 | 第51页 |
| 4.2 数据预处理 | 第51-56页 |
| 4.2.1 坐标标准化 | 第52-54页 |
| 4.2.2 分割组合 | 第54-56页 |
| 4.2.3 滑动窗处理 | 第56页 |
| 4.3 稀疏表示理论和字典训练 | 第56-58页 |
| 4.3.1 稀疏重构理论 | 第56-57页 |
| 4.3.2 字典训练 | 第57-58页 |
| 4.4 数据恢复 | 第58-60页 |
| 4.4.1 目标函数 | 第58页 |
| 4.4.2 目标函数求解 | 第58-60页 |
| 4.5 实验 | 第60-66页 |
| 4.5.1 实验设计 | 第60-61页 |
| 4.5.2 实验仿真结果 | 第61-66页 |
| 4.6 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 工作总结 | 第67-68页 |
| 5.2 研究展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间的研究成果 | 第75页 |