| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 主要缩略语对照 | 第16-18页 |
| 第一章 绪论 | 第18-23页 |
| 1.1 课题研究背景及意义 | 第18-19页 |
| 1.2 国内外研究现状及进展 | 第19-20页 |
| 1.3 本文研究工作及章节安排 | 第20-23页 |
| 第二章 人体运动形态数据模型及降维算法介绍 | 第23-32页 |
| 2.1 人体运动形态数据模型 | 第23-26页 |
| 2.2 人体运动形态估计的评价指标介绍 | 第26页 |
| 2.3 降维算法介绍 | 第26-31页 |
| 2.3.1 PCA算法 | 第27页 |
| 2.3.2 ISOMAP算法 | 第27-29页 |
| 2.3.3 LLE算法 | 第29-30页 |
| 2.3.4 降维算法分析 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 空间约束概率估计 | 第32-43页 |
| 3.1 引言 | 第32页 |
| 3.2 人体运动形态样本数据特点及需要解决的问题 | 第32-33页 |
| 3.3 GPDM主要理论 | 第33-36页 |
| 3.3.1 GPDM | 第33-34页 |
| 3.3.2 GPDM的条件概率 | 第34-35页 |
| 3.3.3 GPDM学习及隐变量数据递推 | 第35-36页 |
| 3.4 空间约束概率估计 | 第36-39页 |
| 3.4.1 不完整周期的人体运动形态隐变量数据的低维结构 | 第36-37页 |
| 3.4.2 空间结构约束及目标函数模型 | 第37-39页 |
| 3.5 实验及评价 | 第39-42页 |
| 3.5.1 经过处理后的不完整隐变量数据 | 第39-40页 |
| 3.5.2 训练估计误差及评价 | 第40-41页 |
| 3.5.3 视觉上的运动形态数据 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 特征相似度优化学习 | 第43-52页 |
| 4.1 引言 | 第43页 |
| 4.2 隐变量模型及学习算法研究介绍 | 第43-44页 |
| 4.3 隐变量数据的特征相似度优化 | 第44-48页 |
| 4.3.1 特征相似度的描述 | 第44-45页 |
| 4.3.2 特征相似度的目标函数 | 第45-46页 |
| 4.3.3 特征相似度优化(FSO)算法 | 第46-48页 |
| 4.4 实验评价 | 第48-51页 |
| 4.4.1 被估计的人体过渡运动形态和估计误差 | 第48-50页 |
| 4.4.2 隐变量数据轨迹 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 隐变量概率优化拟合 | 第52-62页 |
| 5.1 引言 | 第52-53页 |
| 5.2 优化目标函数的建立 | 第53页 |
| 5.3 隐变量空间正交子空间搜索 | 第53-55页 |
| 5.3.1 不完整步态运动形态的隐变量数据 | 第53-54页 |
| 5.3.2 正交子空间的约束函数 | 第54-55页 |
| 5.4 隐变量数据与其他人体运动形态拟合 | 第55-56页 |
| 5.4.1 RBF网络数据拟合 | 第55-56页 |
| 5.4.2 简要算法流程 | 第56页 |
| 5.5 仿真结果 | 第56-61页 |
| 5.5.1 用MLPO-OSS估计缺失帧 | 第57-58页 |
| 5.5.2 用MLPO-OSS处理的隐变量数据的拟合 | 第58-61页 |
| 5.5.3 与空间约束概率估计比较 | 第61页 |
| 5.6 本章小结 | 第61-62页 |
| 第六章 双隐变量空间局部粒子搜索 | 第62-74页 |
| 6.1 引言 | 第62-63页 |
| 6.2 高斯过程动态模型(GPDM)降维 | 第63-64页 |
| 6.3 双隐变量空间局部粒子搜索 | 第64-69页 |
| 6.3.1 相关数学模型建立 | 第64-65页 |
| 6.3.2 低维局部粒子的NWPCS及运动形态估计 | 第65-68页 |
| 6.3.3 双隐变量空间局部粒子搜索(DLVSLPS)算法建立 | 第68-69页 |
| 6.4 仿真实验 | 第69-73页 |
| 6.4.1 估计非连续帧 | 第69-70页 |
| 6.4.2 消除轮廓图像数据歧义估计 | 第70-72页 |
| 6.4.3 估计误差 | 第72-73页 |
| 6.5 本章小结 | 第73-74页 |
| 第七章 低维空间增量学习 | 第74-99页 |
| 7.1 引言 | 第74-75页 |
| 7.2 相关数据模型 | 第75-76页 |
| 7.3 随机极值记忆自适应搜索 | 第76-79页 |
| 7.3.1 搜索基本原理 | 第76-78页 |
| 7.3.2 SEMAS的相关推导及计算 | 第78-79页 |
| 7.4 增量概率降维模型 | 第79-81页 |
| 7.4.1 GPDM的低维到高维映射关系 | 第79-80页 |
| 7.4.2 增量降维映射关系的建立 | 第80-81页 |
| 7.5 多输出正交最小二乘学习算法 | 第81-84页 |
| 7.5.1 基本算法原理 | 第81-83页 |
| 7.5.2 条件满足推导 | 第83-84页 |
| 7.6 低维空间增量学习 | 第84-87页 |
| 7.7 低维空间搜索的人体运动形态估计 | 第87-91页 |
| 7.7.1 搜索方法 | 第87-89页 |
| 7.7.2 人体运动形态的整个算法流程 | 第89-91页 |
| 7.8 实验与评价 | 第91-98页 |
| 7.9 本章小结 | 第98-99页 |
| 第八章 高斯增量降维与流形Boltzmann优化 | 第99-117页 |
| 8.1 引言 | 第99-100页 |
| 8.2 数据匹配模型 | 第100-101页 |
| 8.3 高斯增量降维与流形Boltzmann优化 | 第101-112页 |
| 8.3.1 GIDRM的子向量样本降维与增量降维 | 第101-104页 |
| 8.3.2 基于GIDRM映射关系的流形Boltzmann优化 | 第104-108页 |
| 8.3.3 GIDRMBO算法流程 | 第108-109页 |
| 8.3.4 GIDRMBO的算法性能优势分析 | 第109-112页 |
| 8.4 仿真实验与评价 | 第112-116页 |
| 8.5 本章小结 | 第116-117页 |
| 总结与展望 | 第117-121页 |
| 参考文献 | 第121-128页 |
| 攻读博士学位期间取得的研究成果 | 第128-130页 |
| 致谢 | 第130-131页 |
| 附件 | 第131页 |
