基于深度图像的在线服装定制人体参数获取模型
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第11-17页 |
| 1.1 选题目的与意义 | 第11-12页 |
| 1.2 研究方法 | 第12-13页 |
| 1.3 研究的创新点 | 第13页 |
| 1.4 国内外研究现状 | 第13-16页 |
| 1.4.1 国外研究现状 | 第14-15页 |
| 1.4.2 国内研究现状 | 第15-16页 |
| 1.5 研究内容与整体结构 | 第16页 |
| 1.6 本章小结 | 第16-17页 |
| 2 人体深度图像获取与处理方法的分析与选择 | 第17-35页 |
| 2.1 KINECT介绍 | 第17-18页 |
| 2.2 深度图像获取原理 | 第18-22页 |
| 2.2.1 被动式测距传感 | 第18-19页 |
| 2.2.2 主动式测距传感 | 第19-22页 |
| 2.3 图像预处理 | 第22-27页 |
| 2.3.1 图像去噪 | 第22-25页 |
| 2.3.2 人体轮廓提取 | 第25-27页 |
| 2.4 图像获取与处理方法的选择 | 第27-33页 |
| 2.4.1 深度图像获取工具选择 | 第27-28页 |
| 2.4.2 图像降噪方法选择 | 第28-31页 |
| 2.4.3 人体轮廓获取方法的选择 | 第31-33页 |
| 2.5 本章小结 | 第33-35页 |
| 3 基于卷积神经网络的集成学习模型的构建 | 第35-49页 |
| 3.1 集成学习 | 第35-39页 |
| 3.1.1 集成学习简介 | 第35页 |
| 3.1.2 个体学习器 | 第35-37页 |
| 3.1.3 结合策略 | 第37-38页 |
| 3.1.4 集成学习的发展情况与实际应用情况 | 第38-39页 |
| 3.2 卷积神经网络 | 第39-42页 |
| 3.2.1 卷积神经网络基本结构 | 第39-41页 |
| 3.2.2 卷积神经网络工作原理 | 第41页 |
| 3.2.3 卷积神经网络的训练方法 | 第41-42页 |
| 3.3 基于卷积神经网络的集成学习模型 | 第42-47页 |
| 3.3.1 模型构建的原因 | 第42-43页 |
| 3.3.2 卷积神经网络的构建 | 第43-45页 |
| 3.3.3 集成学习类型的选择 | 第45-47页 |
| 3.4 本章小结 | 第47-49页 |
| 4 基于深度图像的人体参数获取实验 | 第49-57页 |
| 4.1 实验具体背景 | 第49-50页 |
| 4.2 实验硬件与环境设置 | 第50-51页 |
| 4.3 实验步骤 | 第51-55页 |
| 4.3.1 深度图像获取 | 第51-52页 |
| 4.3.2 模型参数设置 | 第52-53页 |
| 4.3.3 模型的训练 | 第53-55页 |
| 4.4 实验模型与传统单一神经网络间的区别 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 5 实验结果与分析 | 第57-67页 |
| 5.1 实验组预测结果 | 第57-61页 |
| 5.2 对照组预测结果 | 第61-65页 |
| 5.3 结果分析 | 第65-66页 |
| 5.4 本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 作者简介 | 第72页 |
| 攻读学位期间发表的论文 | 第72页 |
