| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-18页 |
| ·引言 | 第8-10页 |
| ·人体运功分析的背景 | 第8-9页 |
| ·人体运动分析的应用 | 第9-10页 |
| ·研究现状 | 第10-14页 |
| ·研究机构的研究现状 | 第11-12页 |
| ·人体运动跟踪的几种方法 | 第12-14页 |
| ·人体运动跟踪面临的困难 | 第14-16页 |
| ·本论文的研究工作与结构安排 | 第16-18页 |
| 第二章 基于改进 SGPLVM 的人体运动跟踪 | 第18-32页 |
| ·引言 | 第18-23页 |
| ·高斯隐变量模型 | 第19-21页 |
| ·改进的随机高斯隐变量模型算法流程 | 第21-23页 |
| ·改进的随机高斯隐变量模型用于人体运动跟踪 | 第23-25页 |
| ·实验结果及分析 | 第25-30页 |
| ·本章小结 | 第30-32页 |
| 第三章 基于第二代条带波变换特征和极速学习机的人体运动跟踪 | 第32-42页 |
| ·引言 | 第32-33页 |
| ·极速学习机（ELM）及核极速学习机（K-ELM）理论 | 第33-35页 |
| ·极速学习机（ELM） | 第34-35页 |
| ·核极速学习机（K-ELM） | 第35页 |
| ·基于第二代条代波变换图像特征和 ELM 的人体运动跟踪算法 | 第35-37页 |
| ·实验结果及分析 | 第37-40页 |
| ·本章小结 | 第40-42页 |
| 第四章 基于 RGB_D 核描述子的人体运动跟踪 | 第42-52页 |
| ·引言 | 第42-43页 |
| ·RGB_D 核描述子 | 第43-45页 |
| ·深度信息提取 | 第45-48页 |
| ·实验结果及其分析 | 第48-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 结论与展望 | 第52-54页 |
| ·结论 | 第52页 |
| ·展望 | 第52-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 硕士期间的学术成果 | 第60-61页 |
