| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.3 论文主要内容安排 | 第14-15页 |
| 2 基于超宽带雷达的人体姿态识别系统原理 | 第15-23页 |
| 2.1 系统简介 | 第15-16页 |
| 2.2 系统收发模块 | 第16-19页 |
| 2.2.1 发射模块 | 第16-18页 |
| 2.2.2 接收模块 | 第18-19页 |
| 2.3 系统采样和控制模块 | 第19-21页 |
| 2.3.1 采样模块 | 第19-20页 |
| 2.3.2 控制模块 | 第20-21页 |
| 2.4 人体姿态回波信号理论分析 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 人体姿态识别预处理算法 | 第23-34页 |
| 3.1 算法概述 | 第23-24页 |
| 3.2 信号预处理 | 第24-28页 |
| 3.2.1 雷达回波信号获取 | 第24-25页 |
| 3.2.2 雷达回波的杂波抑制 | 第25-28页 |
| 3.3 基于图像处理的人体姿态预筛选 | 第28-33页 |
| 3.3.1 姿态信号的二值化和滤波处理 | 第28-30页 |
| 3.3.2 基于距离的滑窗去孤立点算法 | 第30-32页 |
| 3.3.3 人体姿态预筛选 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 基于机器学习的人体姿态识别研究 | 第34-48页 |
| 4.1 算法概述 | 第34-35页 |
| 4.2 人体姿态特征参数提取 | 第35-43页 |
| 4.2.1 基于加权联合距离时频变换的原地姿态特征提取 | 第35-39页 |
| 4.2.2 基于PCA算法的非原地姿态特征提取 | 第39-43页 |
| 4.3 基于决策树与k近邻的集成学习算法 | 第43-47页 |
| 4.3.1 Subspace k近邻(kNN)分类算法 | 第43-45页 |
| 4.3.2 Bagged决策树分类算法 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 5 实验设置与结果 | 第48-58页 |
| 5.1 实验场景设置 | 第48-50页 |
| 5.2 实验数据获取 | 第50-51页 |
| 5.3 实验结果与分析 | 第51-57页 |
| 5.3.1 人体姿态预筛选结果 | 第51-53页 |
| 5.3.2 原地姿态分类结果 | 第53-54页 |
| 5.3.3 非原地姿态分类结果 | 第54-56页 |
| 5.3.4 分类算法的进一步分析 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65页 |