| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 选题的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-16页 |
| 1.2.1 辅助训练系统研究现状 | 第10-12页 |
| 1.2.2 人体目标检测研究现状 | 第12-14页 |
| 1.2.3 人体姿态估计研究现状 | 第14-16页 |
| 1.3 本文研究内容 | 第16页 |
| 1.4 本文结构安排 | 第16-18页 |
| 第二章 基于Kinect进行图像采集、姿态数据提取研究 | 第18-29页 |
| 2.1 Kinect传感器介绍 | 第18-23页 |
| 2.1.1 Kinect传感器硬件介绍 | 第18-20页 |
| 2.1.2 OpenNI、Windows SDK介绍 | 第20-22页 |
| 2.1.3 基于OpenNI获取人体运动信息 | 第22-23页 |
| 2.2 图像采集与姿态数据提取实现 | 第23-28页 |
| 2.2.1 Kinect传感器进行图像采集 | 第23页 |
| 2.2.2 Kinect传感器进行关节数据捕获 | 第23-24页 |
| 2.2.3 实验结果及精度分析 | 第24-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 运动目标检测研究 | 第29-41页 |
| 3.1 特征提取 | 第29-31页 |
| 3.1.1 形状轮廓特征 | 第29-30页 |
| 3.1.2 边缘梯度特征 | 第30-31页 |
| 3.1.3 局部时空特征 | 第31页 |
| 3.2 目标检测 | 第31-35页 |
| 3.2.1 背景减除法 | 第31-32页 |
| 3.2.2 帧间差分法 | 第32-33页 |
| 3.2.3 实验结果与分析 | 第33-35页 |
| 3.3 基于ViBe模型的背景建模算法 | 第35-40页 |
| 3.3.1 ViBe算法原理 | 第35-37页 |
| 3.3.2 形态学处理 | 第37-39页 |
| 3.3.3 实验结果与分析 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 人体姿态估计算法研究 | 第41-51页 |
| 4.1 基于模型的人体姿态估计 | 第41-43页 |
| 4.1.1 人体模型 | 第41-42页 |
| 4.1.2 观测模型 | 第42-43页 |
| 4.1.3 预测模型 | 第43页 |
| 4.2 无模型的人体姿态估计 | 第43-44页 |
| 4.2.1 基于学习的方法 | 第43-44页 |
| 4.2.2 基于匹配的方法 | 第44页 |
| 4.3 基于轮廓边缘特征结合图像处理的人体姿态估计算法 | 第44-50页 |
| 4.3.1 人体轮廓边缘特征提取 | 第45-47页 |
| 4.3.2 基于轮廓边缘特征的关节点自动提取 | 第47-48页 |
| 4.3.3 实验结果与分析 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于人体姿态估计算法的辅助训练系统实现 | 第51-62页 |
| 5.1 系统实验平台 | 第51-54页 |
| 5.1.1 辅助训练系统的输入 | 第51-52页 |
| 5.1.2 辅助训练系统的输出 | 第52-54页 |
| 5.2 系统组成模块 | 第54-55页 |
| 5.2.1 目标检测模块 | 第54页 |
| 5.2.2 人体姿态估计模块 | 第54-55页 |
| 5.2.3 算法验证模块 | 第55页 |
| 5.3 实验结果与分析 | 第55-60页 |
| 5.4 系统界面展示 | 第60-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 本文工作总结 | 第62-63页 |
| 6.2 未来研究展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间取得的研究成果 | 第69页 |
