| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.1.1 CT的发展 | 第8-9页 |
| 1.1.2 CT扫描原理 | 第9-10页 |
| 1.1.3 研究意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 基于深度信息的姿态识别方法 | 第11-12页 |
| 1.2.2 基于光学图像的姿态识别方法 | 第12-13页 |
| 1.3 本论文研究内容及组织结构 | 第13-14页 |
| 第二章 CT体位图像采集 | 第14-20页 |
| 2.1 CT检测体位简介 | 第14-17页 |
| 2.2 CT体位图像采集 | 第17-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 人体关节点特征提取与检测方法 | 第20-38页 |
| 3.1 关节点特征提取方法 | 第20-27页 |
| 3.1.1 Haar-like角点特征 | 第20-21页 |
| 3.1.2 SIFT特征 | 第21-22页 |
| 3.1.3 36维HOG特征 | 第22-25页 |
| 3.1.4 改进的14维HOG特征和32维HOG特征 | 第25-26页 |
| 3.1.5 图像多尺度空间 | 第26-27页 |
| 3.2 关节点检测算法 | 第27-37页 |
| 3.2.1 语义模型 | 第28-30页 |
| 3.2.2 部件模型 | 第30-31页 |
| 3.2.3 混合部件模型 | 第31-33页 |
| 3.2.4 基于Latent SVM的模型训练 | 第33-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 基于混合模型的CT体位识别方法 | 第38-52页 |
| 4.1 CT体位自动检测系统 | 第38-40页 |
| 4.1.1 系统框架 | 第38-39页 |
| 4.1.2 实验环境 | 第39-40页 |
| 4.2 关节点检测 | 第40-45页 |
| 4.2.1 模型参数 | 第40-43页 |
| 4.2.2 关节点检测结果 | 第43-45页 |
| 4.3 体位识别 | 第45-50页 |
| 4.3.1 体位识别方法 | 第45-48页 |
| 4.3.2 体位识别结果 | 第48-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 发表论文和参加科研情况 | 第58-60页 |
| 致谢 | 第60页 |