| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 关键技术研究现状及发展趋势 | 第9-10页 |
| 1.3 本文研究的主要内容及创新点 | 第10-11页 |
| 1.4 本文结构安排 | 第11-12页 |
| 第2章 相关理论介绍 | 第12-26页 |
| 2.1 流形学习 | 第12-18页 |
| 2.1.1 局部线性嵌入（LLE） | 第12-14页 |
| 2.1.2 等距映射（Isomap） | 第14-16页 |
| 2.1.3 拉普拉斯特征映射（Laplacian Eigenmap，LE） | 第16-18页 |
| 2.2 粒子滤波算法 | 第18-24页 |
| 2.2.1 贝叶斯状态估计 | 第18-21页 |
| 2.2.2 蒙特卡洛(Monte Carlo)随机模型 | 第21-22页 |
| 2.2.3 粒子滤波算法 | 第22-24页 |
| 2.2.4 粒子滤波算法中存在的问题 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 第3章 基于流形学习的高维动态优化 | 第26-33页 |
| 3.1 高斯过程潜变量模型简介 | 第26-29页 |
| 3.1.1 低维表达学习 | 第26-27页 |
| 3.1.2 核函数 | 第27页 |
| 3.1.3 GPLVM 学习 | 第27-28页 |
| 3.1.4 基于 GPLVM 的高维时序数据优化实验 | 第28-29页 |
| 3.2 回归约束 | 第29-31页 |
| 3.2.1 基于 GPLVM 的高维时序数据回归约束实验 | 第29-31页 |
| 3.3 基于 GPLVM 算法的高维时序数据重构实验 | 第31页 |
| 3.4 本章小结 | 第31-33页 |
| 第4章 基于潜变量运动模型的粒子滤波算法 | 第33-42页 |
| 4.1 人体运动跟踪简介 | 第33页 |
| 4.2 运动模型 | 第33-36页 |
| 4.2.1 人体运动先验知识 | 第33-35页 |
| 4.2.2 潜变量运动模型 | 第35-36页 |
| 4.3 基于潜变量运动模型的粒子滤波算法 | 第36-38页 |
| 4.4 基于潜变量运动模型的粒子滤波算法实验 | 第38-40页 |
| 4.4.1 训练模型 | 第38-39页 |
| 4.4.2 实验结果及分析 | 第39-40页 |
| 4.5 本章小结 | 第40-42页 |
| 第5章 结论与展望 | 第42-44页 |
| 5.1 本文总结 | 第42页 |
| 5.2 展望未来 | 第42-44页 |
| 致谢 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 附录 1 攻读硕士学位期间发表的论文 | 第48-49页 |
| 详细摘要 | 第49-53页 |
