面向人体运动捕获数据的多粒度分割算法研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-21页 |
| 1.2.1 基于模型匹配的分割算法 | 第17-18页 |
| 1.2.2 基于低维特征的分割算法 | 第18-20页 |
| 1.2.3 基于聚类思想的分割算法 | 第20页 |
| 1.2.4 基于数据挖掘的分割算法 | 第20-21页 |
| 1.3 研究目的与主要贡献 | 第21-22页 |
| 1.3.1 研究目的 | 第21页 |
| 1.3.2 主要贡献 | 第21-22页 |
| 1.4 本文组织结构 | 第22-23页 |
| 第二章 背景知识介绍与运动数据预处理 | 第23-38页 |
| 2.1 人体运动捕获技术 | 第23-26页 |
| 2.2 人体运动数据表示 | 第26-31页 |
| 2.2.1 ASF文件解析 | 第27-30页 |
| 2.2.2 AMC文件解析 | 第30-31页 |
| 2.3 欧拉角与四元数 | 第31-33页 |
| 2.3.1 欧拉角 | 第31页 |
| 2.3.2 四元数 | 第31-32页 |
| 2.3.3 欧拉角和四元数的转换 | 第32-33页 |
| 2.4 运动数据预处理 | 第33-37页 |
| 2.4.1 数据抖动 | 第33-34页 |
| 2.4.2 基于二通无损卡尔曼滤波的运动平滑 | 第34-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 基于时域分析的粗粒度运动分割 | 第38-49页 |
| 3.1 粗粒度运动分割介绍 | 第38-39页 |
| 3.2 基于稀疏重构的判别分析算法 | 第39-42页 |
| 3.3 运动捕获数据的粗粒度分割 | 第42-48页 |
| 3.3.1 特征提取 | 第42页 |
| 3.3.2 多尺度时序关联分割算法 | 第42-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于频域分析的细粒度运动分割 | 第49-60页 |
| 4.1 细粒度运动分割介绍 | 第49页 |
| 4.2 基于频域分析的特征提取 | 第49-51页 |
| 4.3 运动捕获数据的细粒度分割 | 第51-53页 |
| 4.3.1 基于零速度穿越点的分割点检测 | 第51页 |
| 4.3.2 基于自适应K均值的分割点聚类 | 第51-53页 |
| 4.4 实验对比分析 | 第53-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 全文总结 | 第60-61页 |
| 5.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第68-69页 |
