| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 目录 | 第9-11页 |
| 1 绪论 | 第11-19页 |
| ·研究意义 | 第11-13页 |
| ·存在的困难与挑战 | 第13-15页 |
| ·拟解决的问题 | 第15-16页 |
| ·主要研究工作 | 第16-18页 |
| ·论文的组织结构 | 第18-19页 |
| 2 相关研究综述 | 第19-39页 |
| ·人体骨架模型 | 第19-20页 |
| ·三维运动数据采集与表示 | 第20-27页 |
| ·运动捕获系统 | 第20-24页 |
| ·运动捕获数据的表示 | 第24-27页 |
| ·运动数据的关键帧提取技术 | 第27-29页 |
| ·人体运动捕获数据的识别 | 第29-38页 |
| ·运动识别的分类 | 第29-30页 |
| ·运动特征表示与提取 | 第30-34页 |
| ·动作识别方法 | 第34-38页 |
| ·小结 | 第38-39页 |
| 3 运动数据的关键帧提取 | 第39-62页 |
| ·人体运动捕捉数据源 | 第40-41页 |
| ·基于预选策略和重建误差优化的运动捕获数据关键帧提取 | 第41-47页 |
| ·运动插值重建 | 第41页 |
| ·重建误差与消减误差度量 | 第41-42页 |
| ·初选关键帧 | 第42-43页 |
| ·基于帧消减算法关键帧提取 | 第43-45页 |
| ·基于重建误差最优化的关键帧提取 | 第45-47页 |
| ·基于遗传优化的运动捕获数据关键帧提取 | 第47-55页 |
| ·遗传算法与多目标优化算法概述 | 第48-50页 |
| ·基于多目标优化的关键帧提取 | 第50-55页 |
| ·实验结果与分析 | 第55-61页 |
| ·预选关键帧的压缩率及最大重建误差 | 第55页 |
| ·基于重建误差的关键帧提取 | 第55-57页 |
| ·基于双向消减与分裂策略的关键帧提取 | 第57-58页 |
| ·基于多目标遗传算法的关键帧提取 | 第58-61页 |
| ·小结 | 第61-62页 |
| 4 基于概率PCA模型的动作分类与分割 | 第62-85页 |
| ·概率PCA模型 | 第62-67页 |
| ·运动数据预处理 | 第67-68页 |
| ·运动动作的概率PCA模型和决策规则 | 第68-70页 |
| ·基于概率PCA模型的动作分类 | 第70-72页 |
| ·连续运动的在线识别与分割方法 | 第72-75页 |
| ·实验结果与分析 | 第75-84页 |
| ·运动数据库的组织 | 第75-77页 |
| ·运动模式的分类 | 第77-80页 |
| ·连续运动的在线识别与分割 | 第80-84页 |
| ·小结 | 第84-85页 |
| 5 基于自组织增长运动图的动作识别与拒识研究 | 第85-121页 |
| ·带拒识能力的动作识别系统框架 | 第85-87页 |
| ·基于支持向量机的在线动作识别方法 | 第87-94页 |
| ·支持向量机(SVM-Support Vector Machine)分类原理 | 第87-91页 |
| ·基于SVM的动作识别与拒识判决 | 第91-94页 |
| ·基于自组织增长运动图的可拒绝动作模式识别 | 第94-106页 |
| ·自组织特征图(SOM)的运行机制概述 | 第94-97页 |
| ·自组织增长运动图(SOIMAP)和动作模式可拒识识别 | 第97-101页 |
| ·基于遗传算法提取关键模式的分类结果验证 | 第101-106页 |
| ·实验结果与分析 | 第106-120页 |
| ·利用SVM进行运动分类 | 第107-108页 |
| ·基于SOIMAP的拒识判决 | 第108-110页 |
| ·基于SOIMAP可拒识动作模式的在线识别 | 第110-116页 |
| ·基于关键模式的分类结果验证 | 第116-119页 |
| ·在线识别系统的时间效率 | 第119-120页 |
| ·小结 | 第120-121页 |
| 6 总结与展望 | 第121-124页 |
| ·本文主要工作 | 第121-122页 |
| ·未来研究工作展望 | 第122-124页 |
| 参考文献 | 第124-135页 |
| 攻读博士学位期间主要研究成果 | 第135-136页 |
| 致谢 | 第136-137页 |
