| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 基于深度信息的人体运动识别方法国内外研究现状 | 第14-18页 |
| 1.2.1 基于深度图的人体运动识别方法 | 第14-17页 |
| 1.2.2 基于骨架关节点数据的人体运动识别方法 | 第17-18页 |
| 1.3 研究内容 | 第18-19页 |
| 1.4 章节组织 | 第19-20页 |
| 第2章 人体运动识别简介 | 第20-29页 |
| 2.1 引言 | 第20页 |
| 2.2 人体运动识别概述 | 第20-24页 |
| 2.2.1 人体运动识别研究难点 | 第20-22页 |
| 2.2.2 人体运动识别研究方法 | 第22-23页 |
| 2.2.3 人体运动识别中深度信息的优势 | 第23-24页 |
| 2.3 深度信息的获取方法 | 第24-27页 |
| 2.3.1 立体三角测量法 | 第24-25页 |
| 2.3.2 飞行时间法 | 第25-26页 |
| 2.3.3 结构光法 | 第26-27页 |
| 2.4 基于深度信息的动作识别常用数据集 | 第27-28页 |
| 2.5 小结 | 第28-29页 |
| 第3章 基于骨架关节点数据的人体运动识别方法 | 第29-40页 |
| 3.1 引言 | 第29页 |
| 3.2 特征向量提取 | 第29-33页 |
| 3.3 特征向量量化 | 第33-34页 |
| 3.4 分类与识别 | 第34-35页 |
| 3.5 实验与结果分析 | 第35-39页 |
| 3.5.1 MSR-Action3D数据集实验与结果分析 | 第36-37页 |
| 3.5.2 UTD-MHAD数据集实验与结果分析 | 第37-39页 |
| 3.6 小结 | 第39-40页 |
| 第4章 基于深度图的优化方法 | 第40-50页 |
| 4.1 引言 | 第40页 |
| 4.2 人体前景提取 | 第40-43页 |
| 4.2.1 深度图像预处理 | 第40-41页 |
| 4.2.2 人体前景提取 | 第41-42页 |
| 4.2.3 人体前景优化 | 第42-43页 |
| 4.3 人体骨架关节点数据提取 | 第43-47页 |
| 4.3.1 利用深度图解决自遮挡并提取骨架模型 | 第43-45页 |
| 4.3.2 人体骨架关节点位置的定位 | 第45-47页 |
| 4.4 实验结果与分析 | 第47-49页 |
| 4.5 小结 | 第49-50页 |
| 第5章 多目标识别时的任务调度方法 | 第50-62页 |
| 5.1 引言 | 第50页 |
| 5.2 系统建模 | 第50-52页 |
| 5.2.1 应用程序任务建模 | 第50-51页 |
| 5.2.2 能耗建模 | 第51-52页 |
| 5.3 任务调度策略 | 第52-57页 |
| 5.3.1 参数准备 | 第52-54页 |
| 5.3.2 问题定义 | 第54页 |
| 5.3.3 满足能耗约束 | 第54-55页 |
| 5.3.4 调度算法 | 第55-57页 |
| 5.4 实验仿真与结果分析 | 第57-61页 |
| 5.4.1 示例实验 | 第57-58页 |
| 5.4.2 实验模型设定 | 第58-59页 |
| 5.4.3 不同的能源消耗限制 | 第59-60页 |
| 5.4.4 不同的任务数量 | 第60-61页 |
| 5.5 小结 | 第61-62页 |
| 结论与展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 附录A 攻读硕士学位期间发表的学术论文 | 第69-70页 |
| 致谢 | 第70页 |