具有深度信息的视频图像中的人物步态识别技术研究
| 摘要 | 第9-10页 |
| Abstract | 第10-11页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 课题研究背景 | 第12-18页 |
| 1.1.1 步态识别技术 | 第12-16页 |
| 1.1.2 深度图像预处理 | 第16-17页 |
| 1.1.3 卷积神经网络介绍 | 第17-18页 |
| 1.2 课题研究内容 | 第18页 |
| 1.3 论文结构 | 第18-20页 |
| 第二章 具有深度信息的视频图像预处理技术 | 第20-32页 |
| 2.1 深度图像介绍 | 第20-23页 |
| 2.1.1 Kinect深度图成像原理及缺陷 | 第20-21页 |
| 2.1.2 由深度图像信息得到人体骨骼模型过程 | 第21-23页 |
| 2.2 深度图像修复方法介绍 | 第23-26页 |
| 2.2.1 相关方法介绍及存在问题 | 第23-24页 |
| 2.2.2 非局部均值方法介绍 | 第24-26页 |
| 2.3 基于非局部均值的深度图像修复 | 第26-29页 |
| 2.3.1 使用自适应的非局部均值法进行预填补 | 第26-28页 |
| 2.3.2 使用非局部均值方法进行去噪 | 第28-29页 |
| 2.4 实验结果分析 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于卷积神经网络的视频人物检测 | 第32-52页 |
| 3.1 卷积神经网络介绍 | 第32-38页 |
| 3.1.1 卷积神经网络整体结构 | 第32-33页 |
| 3.1.2 卷积层 | 第33-35页 |
| 3.1.3 降采样层 | 第35-37页 |
| 3.1.4 反向传播 | 第37-38页 |
| 3.2 卷积神经网络用于视频中人物检测 | 第38-44页 |
| 3.2.1 使用数据介绍 | 第38-40页 |
| 3.2.2 开发环境及网络结构介绍 | 第40-42页 |
| 3.2.3 卷积神经网络的训练过程 | 第42页 |
| 3.2.4 人物检测流程 | 第42-44页 |
| 3.3 实验及结果分析 | 第44-51页 |
| 3.3.1 实验设置及评价指标介绍 | 第44-45页 |
| 3.3.2 实验结果及分析 | 第45-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 基于动态特征的步态识别技术 | 第52-67页 |
| 4.1 步态特征介绍 | 第52-53页 |
| 4.2 基于骨骼模型的相对运动步态特征提取 | 第53-57页 |
| 4.2.1 已有工作介绍 | 第53-54页 |
| 4.2.2 相对运动特征提取 | 第54-56页 |
| 4.2.3 特征选取及分类识别 | 第56-57页 |
| 4.3 实验结果及分析 | 第57-65页 |
| 4.3.1 骨骼步态数据 | 第57-58页 |
| 4.3.2 分类精度 | 第58-61页 |
| 4.3.3 与相关工作比较 | 第61-63页 |
| 4.3.4 相对运动特征鲁棒性分析 | 第63-65页 |
| 4.4 本章小结 | 第65-67页 |
| 第五章 本文总结及展望 | 第67-69页 |
| 5.1 本文工作总结 | 第67-68页 |
| 5.2 研究展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 作者在学期间取得的学术成果 | 第74页 |
