机器学习在姿态识别中的研究与应用
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1.绪论 | 第9-19页 |
| 1.1 引言 | 第9页 |
| 1.2 课题的研究背景及意义 | 第9-11页 |
| 1.3 机器学习在人体动作识别研究现状 | 第11-17页 |
| 1.3.1 机器学习在人体动作识别国外研究现状 | 第12-13页 |
| 1.3.2 机器学习在人体动作识别国内研究现状 | 第13-15页 |
| 1.3.3 机器学习在人体动作识别现状分析 | 第15-17页 |
| 1.4 论文研究内容和技术方案 | 第17页 |
| 1.5 论文内容的组织安排 | 第17-19页 |
| 2.相关技术和和识别系统 | 第19-31页 |
| 2.1 机器学习 | 第19-20页 |
| 2.2 人体动作识别总体系统 | 第20-24页 |
| 2.2.1 人体动作识别硬件系统建立 | 第21-22页 |
| 2.2.2 人体动作识别软件系统建立 | 第22-24页 |
| 2.3 传感器介绍 | 第24-29页 |
| 2.3.1 传感器说明 | 第24-26页 |
| 2.3.2 三轴加速度传感器 | 第26-27页 |
| 2.3.3 三轴陀螺仪传感器 | 第27-28页 |
| 2.3.4 传感器数据格式和内容 | 第28-29页 |
| 2.4 小结 | 第29-31页 |
| 3.人体手部动作数据获取及预处理 | 第31-47页 |
| 3.1 可穿戴护腕设备数据获取 | 第31-41页 |
| 3.1.1 人体手部物理特征分析 | 第31-33页 |
| 3.1.2 人体手部动作数据采集 | 第33-41页 |
| 3.2 可穿戴护腕设备数据预处理 | 第41-43页 |
| 3.2.1 数据滤波 | 第41-42页 |
| 3.2.2 数据归一化 | 第42-43页 |
| 3.3 可穿戴设备数据分割算法 | 第43-45页 |
| 3.4 小结 | 第45-47页 |
| 4.人体手部动作特征提取 | 第47-55页 |
| 4.1 引言 | 第47页 |
| 4.2 人体手部动作特征统计 | 第47-53页 |
| 4.2.1 统计特征 | 第47-48页 |
| 4.2.2 物理特征 | 第48-53页 |
| 4.3 特征选择 | 第53-54页 |
| 4.4 小结 | 第54-55页 |
| 5.机器学习的人体手部细微动作识别算法 | 第55-69页 |
| 5.1 经典分类算法 | 第55-58页 |
| 5.1.1 k最近邻分类算法 | 第55-56页 |
| 5.1.2 朴素贝叶斯分类算法 | 第56-57页 |
| 5.1.3 支持向量机分类算法 | 第57-58页 |
| 5.2 超限学习机算法 | 第58-61页 |
| 5.3 分类算法实验 | 第61-67页 |
| 5.3.1 实验环境及工具简介 | 第61-62页 |
| 5.3.2 手势分类算法性能比较 | 第62-67页 |
| 5.4 小结 | 第67-69页 |
| 6.总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 附录 | 第79-81页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第81页 |
