| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 序言 | 第8-12页 |
| 1 绪论 | 第12-22页 |
| 1.1 选题背景与研究意义 | 第12-14页 |
| 1.2 基于计算机视觉的人体运动捕捉研究现状 | 第14-18页 |
| 1.3 基于视频运动捕捉研究难点 | 第18页 |
| 1.4 本文主要内容 | 第18-19页 |
| 1.5 本文结构安排 | 第19-22页 |
| 2 人体运动捕捉的相关技术基础 | 第22-32页 |
| 2.1 目标提取中的背景建模 | 第22-23页 |
| 2.2 目标跟踪相关技术理论 | 第23-26页 |
| 2.2.1 压缩感知理论 | 第24-25页 |
| 2.2.2 贝叶斯决策准则 | 第25-26页 |
| 2.3 姿态估计相关技术理论 | 第26-32页 |
| 2.3.1 人体模型的几何表示 | 第26-28页 |
| 2.3.2 人体运动先验约束 | 第28-29页 |
| 2.3.3 优化算法 | 第29-32页 |
| 3 人体运动目标提取 | 第32-44页 |
| 3.1 常用的几种运动目标提取方法 | 第32-34页 |
| 3.1.1 帧差法 | 第32-33页 |
| 3.1.2 光流法 | 第33页 |
| 3.1.3 背景差分法 | 第33-34页 |
| 3.2 基于自适应混合高斯模型的背景减除法 | 第34-36页 |
| 3.2.1 自适应混合高斯模型 | 第34-35页 |
| 3.2.2 混合高斯模型初始化 | 第35页 |
| 3.2.3 混合高斯模型匹配与更新算法 | 第35-36页 |
| 3.2.4 决策方法 | 第36页 |
| 3.3 基于在线K均值聚类的自适应混合高斯模型的背景减除法 | 第36-39页 |
| 3.3.1 K均值聚类算法原理 | 第36-37页 |
| 3.3.2 改进的混合高斯模型初始化方法 | 第37-38页 |
| 3.3.3 改进的高斯混合模型更新算法 | 第38-39页 |
| 3.4 实验结果与分析 | 第39-42页 |
| 3.5 本章小结 | 第42-44页 |
| 4 基于压缩感知的人体目标跟踪 | 第44-58页 |
| 4.1 引言 | 第44-45页 |
| 4.2 l_1范数最小化跟踪 | 第45-47页 |
| 4.2.1 粒子滤波跟踪框架 | 第45-46页 |
| 4.2.2 基于稀疏表示的目标跟踪 | 第46-47页 |
| 4.3 COMPRESSIVE TRACKING算法 | 第47-49页 |
| 4.4 基于SURF特征的压缩感知目标跟踪算法 | 第49-53页 |
| 4.4.1 算法主要内容 | 第49-50页 |
| 4.4.2 SURF特征提取 | 第50-51页 |
| 4.4.3 低维压缩特征 | 第51-52页 |
| 4.4.4 分类器的构建与分析 | 第52-53页 |
| 4.5 实验结果与分析 | 第53-56页 |
| 4.6 本章小结 | 第56-58页 |
| 5 基于图结构模型的人体姿态估计 | 第58-74页 |
| 5.1 引言 | 第58-59页 |
| 5.2 人体图结构模型简介 | 第59-62页 |
| 5.2.1 基本PS模型 | 第59-61页 |
| 5.2.2 约束PS模型 | 第61-62页 |
| 5.3 GRAB-CUT分割前景 | 第62-63页 |
| 5.4 基于位置先验的人体部位表观模型 | 第63-66页 |
| 5.4.1 基本思想 | 第64页 |
| 5.4.2 先验分割 | 第64-65页 |
| 5.4.3 不同部件之间的外观转换 | 第65页 |
| 5.4.4 获取图像的外观模型 | 第65-66页 |
| 5.5 姿态推理 | 第66-67页 |
| 5.6 实验 | 第67-72页 |
| 5.6.1 实验数据库 | 第68-69页 |
| 5.6.2 实验结果与分析 | 第69-72页 |
| 5.7 本章小结 | 第72-74页 |
| 6 人体运动姿态捕捉系统的设计与实现 | 第74-82页 |
| 6.1 系统设计 | 第74-75页 |
| 6.2 系统界面及使用实例 | 第75-80页 |
| 6.3 本章小结 | 第80-82页 |
| 7 总结与展望 | 第82-84页 |
| 参考文献 | 第84-90页 |
| 学位论文数据集 | 第90页 |