| 摘要 | 第5-6页 |
| ABSTRCT | 第6-8页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 研究现状与趋势 | 第9-11页 |
| 1.3 主要工作 | 第11-14页 |
| 1.3.1 基于Kinect的人体动作识别 | 第11-12页 |
| 1.3.2 基于AForge.NET框架的人体动作识别 | 第12-14页 |
| 1.3.3 本文主要工作及创新点 | 第14页 |
| 1.4 论文结构 | 第14页 |
| 1.5 本章小结 | 第14-16页 |
| 第二章 人体动作识别技术 | 第16-23页 |
| 2.1 概述 | 第16-18页 |
| 2.1.1 单流网络 | 第16-17页 |
| 2.1.2 双流网络 | 第17-18页 |
| 2.2 相关动作识别方法 | 第18-21页 |
| 2.2.1 LRCN | 第18-19页 |
| 2.2.2 C3D | 第19-20页 |
| 2.2.3 双流融合 | 第20页 |
| 2.2.4 时间敏感网络（TSN） | 第20-21页 |
| 2.3 动作识别应用系统 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于CNN的人体动作识别 | 第23-31页 |
| 3.1 三维姿态估计网络结构 | 第23-26页 |
| 3.1.1 基于CNN预测的映射 | 第24-25页 |
| 3.1.2 将二维映射提升至三维 | 第25页 |
| 3.1.3 投影的二维姿态映射 | 第25-26页 |
| 3.1.4 二维融合层 | 第26页 |
| 3.2 人体姿态的概率三维模型 | 第26-28页 |
| 3.3 三维人体姿态的多模态模型 | 第28页 |
| 3.4 识别动作 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于动作识别的运动量统计 | 第31-37页 |
| 4.1 功能设计 | 第31-34页 |
| 4.2 功能实现 | 第34-36页 |
| 4.3 本章小结 | 第36-37页 |
| 第五章 总结与展望 | 第37-39页 |
| 5.1 总结 | 第37页 |
| 5.2 展望 | 第37-39页 |
| 参考文献 | 第39-42页 |
| 攻读硕士学位期间的主要成果 | 第42-43页 |
| 致谢 | 第43页 |