| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景 | 第15-16页 |
| 1.2 研究现状 | 第16-20页 |
| 1.2.1 特征提取研究现状 | 第16-18页 |
| 1.2.2 动作识别研究现状 | 第18-19页 |
| 1.2.3 人体动作识别面临的挑战 | 第19-20页 |
| 1.3 本文工作 | 第20-22页 |
| 1.4 内容安排 | 第22-23页 |
| 第二章 相关理论技术 | 第23-35页 |
| 2.1 人体动作识别的框架 | 第23-24页 |
| 2.2 动作识别算法的评价方法 | 第24-25页 |
| 2.3 特征提取相关理论知识 | 第25-30页 |
| 2.3.1 人体骨架模型 | 第25-28页 |
| 2.3.2 中心关节角 | 第28-29页 |
| 2.3.3 中心关节角角速度 | 第29-30页 |
| 2.3.4 邻接关节角 | 第30页 |
| 2.4 特征理解相关理论知识 | 第30-34页 |
| 2.4.1 支持向量机基本原理 | 第31-34页 |
| 2.4.2 支持向量机库LIBSVM | 第34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于多特征分类结果投票策略的人体动作识别 | 第35-57页 |
| 3.1 特征提取 | 第36-45页 |
| 3.1.1 关节点运动轨迹的计算 | 第37-39页 |
| 3.1.2 邻接关节角的计算 | 第39-41页 |
| 3.1.3 中心关节角的计算 | 第41-43页 |
| 3.1.4 中心关节角角速度的计算 | 第43-45页 |
| 3.2 基于自组织映射神经网络的关键帧提取算法 | 第45-48页 |
| 3.2.1 自组织映射神经网络的建立 | 第46-47页 |
| 3.2.2 关键帧的提取 | 第47-48页 |
| 3.3 基于多特征分类结果投票策略的人体动作识别算法 | 第48-55页 |
| 3.3.1 特征向量的分类 | 第50-52页 |
| 3.3.2 特征分类结果的信用度计算 | 第52-54页 |
| 3.3.3 多特征分类结果投票 | 第54-55页 |
| 3.4 本章小结 | 第55-57页 |
| 第四章 实验仿真与对比 | 第57-69页 |
| 4.1 实验环境 | 第57页 |
| 4.2 MSR Action3D数据集仿真结果 | 第57-62页 |
| 4.3 UTKinect Action数据集仿真结果 | 第62-63页 |
| 4.4 MSR DailyActivity3D数据集仿真结果 | 第63-67页 |
| 4.5 本章小结 | 第67-69页 |
| 第五章 结束语 | 第69-71页 |
| 5.1 研究总结 | 第69-70页 |
| 5.2 研究展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |
