| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 课题背景 | 第12-14页 |
| 1.2 研究现状 | 第14-20页 |
| 1.2.1 三维运动捕获技术概述 | 第14-17页 |
| 1.2.2 基于深度信息的运动捕获技术研究现状 | 第17-20页 |
| 1.3 本文的工作 | 第20-22页 |
| 1.4 本文的创新点 | 第22页 |
| 1.5 本文的组织结构 | 第22-24页 |
| 第2章 技术背景综述 | 第24-31页 |
| 2.1 引言 | 第24页 |
| 2.2 深度图像的获取方法 | 第24-26页 |
| 2.2.1 基于光编码(Light Coding)深度成像 | 第25页 |
| 2.2.2 基于飞行时间(Time of Flight)的深度图像 | 第25-26页 |
| 2.3 Kinect简介 | 第26-29页 |
| 2.4 基于单帧深度图像的运动捕获技术 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于Mean Shift与粒子滤波的目标关节追踪及坐标计算 | 第31-49页 |
| 3.1 引言 | 第31页 |
| 3.2 基于Mean Shift与粒子滤波目标运动捕获框架 | 第31-32页 |
| 3.3 基于Mean Shift与粒子滤波视频追踪方法简述 | 第32-37页 |
| 3.3.1 Mean Shift视频跟踪算法 | 第32-34页 |
| 3.3.2 粒子滤波视频跟踪算法 | 第34-36页 |
| 3.3.3 Mean Shift与粒子滤波结合算法 | 第36-37页 |
| 3.4 目标三维运动信息计算 | 第37-39页 |
| 3.5 三种追踪方法对比实验结果与分析 | 第39-42页 |
| 3.6 基于MeanShift与粒子滤波计算目标关节坐标的结果与分析 | 第42-44页 |
| 3.7 与基于反光标记点运动捕获系统对比结果及分析 | 第44-48页 |
| 3.7.1 基于反光标记点动捕获系统框架描述 | 第45-46页 |
| 3.7.2 实验结果及分析 | 第46-48页 |
| 3.8 本章小结 | 第48-49页 |
| 第4章 基于随机森林的手臂关节分类及三维坐标计算 | 第49-65页 |
| 4.1 引言 | 第49页 |
| 4.2 基于随机森林的手臂运动捕获技术框架 | 第49-50页 |
| 4.3 深度比较特征及随机森林算法 | 第50-53页 |
| 4.3.1 深度比较特征 | 第50-51页 |
| 4.3.2 随机森林分类方法 | 第51-53页 |
| 4.4 训练集数据获取 | 第53-55页 |
| 4.4.1 深度图获得 | 第53-54页 |
| 4.4.2 标签图获得 | 第54-55页 |
| 4.5 手臂像素分类器训练 | 第55-57页 |
| 4.5.1 样本集生成 | 第55-56页 |
| 4.5.2 训练随机森林分类器 | 第56-57页 |
| 4.6 随机森林中各个参数的选择 | 第57-59页 |
| 4.7 手臂关节预测及坐标计算方法 | 第59-60页 |
| 4.8 利用分类器计算得到的坐标与手工标签得到的坐标对比结果 | 第60-63页 |
| 4.9 与基于反光标记点运动捕获系统对比结果及分析 | 第63-64页 |
| 4.10 本章小结 | 第64-65页 |
| 第5章 总结和展望 | 第65-67页 |
| 5.1 本文工作总结 | 第65-66页 |
| 5.2 未来工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
