| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景 | 第9-10页 |
| 1.3 课题研究意义 | 第10-12页 |
| 1.4 国内外研究现状 | 第12-17页 |
| 1.4.1 骨架提取算法研究现状 | 第12-13页 |
| 1.4.2 姿态行为识别的研究现状 | 第13-17页 |
| 1.5 论文主要工作与组织结构 | 第17-19页 |
| 第 2 章 Kinect 深度数据与人体姿态行为识别 | 第19-30页 |
| 2.1 Kinect 系统 | 第19-21页 |
| 2.1.1 Kinect 深度感测技术 | 第19-20页 |
| 2.1.2 Kinect 三维信息转换 | 第20-21页 |
| 2.2 Kinect 的深度图像及骨骼数据 | 第21-26页 |
| 2.2.1 深度图像的获取与表示 | 第21-24页 |
| 2.2.2 深度图像的处理 | 第24-25页 |
| 2.2.3 骨骼数据的定义 | 第25-26页 |
| 2.3 人体姿态识别 | 第26-29页 |
| 2.3.1 人体姿态行为数据库及坐姿种类 | 第26-27页 |
| 2.3.2 姿态行为识别的一般系统结构 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于深度数据分层性的骨架提取 | 第30-48页 |
| 3.1 深度图像的前景提取 | 第31-33页 |
| 3.2 目标图像检测与分割 | 第33-40页 |
| 3.2.1 深度数据的阈值化分割 | 第34-39页 |
| 3.2.2 自定义阈值的分割优化 | 第39-40页 |
| 3.3 人体骨架提取 | 第40-46页 |
| 3.3.1 模板模式的基本理论 | 第41-42页 |
| 3.3.2 深度图像骨架提取 | 第42-43页 |
| 3.3.3 骨架连接与关节点定位 | 第43-46页 |
| 3.4 实验结果与分析 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于骨架特征的坐姿识别 | 第48-68页 |
| 4.1 人体骨骼数据特征提取 | 第49-52页 |
| 4.1.1 时间局部特征 | 第50-51页 |
| 4.1.2 空间局部特征 | 第51-52页 |
| 4.2 特征聚合 | 第52-57页 |
| 4.2.1 K-means 聚类 | 第52-54页 |
| 4.2.2 特征分析降维方法 | 第54-55页 |
| 4.2.3 局部特征聚合描述编码 | 第55-57页 |
| 4.3 人体姿态识别 | 第57-63页 |
| 4.3.1 判别特征的度量变换 | 第58-62页 |
| 4.3.2 基于K-NN的姿态分类 | 第62-63页 |
| 4.4 姿态行为识别 | 第63-64页 |
| 4.5 实验结果与分析 | 第64-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 5.1 工作总结 | 第68-69页 |
| 5.2 下一步工作展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间的科研成果 | 第76页 |