| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-13页 |
| 2 人体姿态识别方法研究 | 第13-21页 |
| 2.1 构建数据采集模块 | 第13-17页 |
| 2.1.1 加速度传感器 | 第14-15页 |
| 2.1.2 数据传输 | 第15页 |
| 2.1.3 数据采集方案 | 第15-17页 |
| 2.2 特征提取 | 第17-18页 |
| 2.3 人体姿态分类识别算法 | 第18-20页 |
| 2.3.1 决策树算法 | 第18-19页 |
| 2.3.2 k近邻算法 | 第19页 |
| 2.3.3 SVM分类器 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 基于DTW的时间序列相似性度量 | 第21-30页 |
| 3.1 动态时间归整距离算法 | 第21-25页 |
| 3.1.1 DTW算法基本原理 | 第22-23页 |
| 3.1.2 DTW路径的约束 | 第23-24页 |
| 3.1.3 识别 | 第24-25页 |
| 3.2 最近邻算法分类人体姿态 | 第25-27页 |
| 3.3 实验结果及分析 | 第27-29页 |
| 3.3.1 实验环境及实验设计 | 第27页 |
| 3.3.2 实验结果及分析 | 第27-29页 |
| 3.4 本章小结 | 第29-30页 |
| 4 基于shapelets的时间序列特征提取 | 第30-40页 |
| 4.1 shapelet相关介绍 | 第30-33页 |
| 4.1.1 背景 | 第30-31页 |
| 4.1.2 shapelet相关定义 | 第31-33页 |
| 4.2 基于DTW距离的shapelet特征提取 | 第33-36页 |
| 4.2.1 基于DTW距离的shapelet特征提取 | 第33-35页 |
| 4.2.2 shapelet转换 | 第35-36页 |
| 4.3 实验结果与分析 | 第36-38页 |
| 4.3.1 实验平台和数据 | 第36-37页 |
| 4.3.2 实验结果及分析 | 第37-38页 |
| 4.4 本章小结 | 第38-40页 |
| 5 基于深度学习的人体姿态识别 | 第40-49页 |
| 5.1 RNN和LSTM基本原理 | 第40-42页 |
| 5.1.1 RNN介绍 | 第40-41页 |
| 5.1.2 LSTM基本原理 | 第41-42页 |
| 5.2 基于LSTM的人体姿态识别 | 第42-44页 |
| 5.3 TensorFlow平台介绍 | 第44-45页 |
| 5.3.1 TensorFlow简介 | 第44页 |
| 5.3.2 在TensorFlow平台上实现人体姿态识别 | 第44-45页 |
| 5.4 实验结果与分析 | 第45-48页 |
| 5.4.1 实验平台和数据 | 第45-46页 |
| 5.4.2 实验结果及分析 | 第46-48页 |
| 5.5 本章小结 | 第48-49页 |
| 6 总结与展望 | 第49-51页 |
| 6.1 总结 | 第49-50页 |
| 6.2 未来的工作方向 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55页 |