基于多传感器联合的人体动作识别研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究课题的背景和意义 | 第14-15页 |
| 1.2 课题的研究现状 | 第15-17页 |
| 1.3 论文研究内容 | 第17-18页 |
| 1.4 论文章节安排 | 第18-19页 |
| 第二章 人体模型与分类算法综述 | 第19-36页 |
| 2.1 人体模型 | 第19-21页 |
| 2.1.1 人体运动概述 | 第19-20页 |
| 2.1.2 人体体段环节 | 第20页 |
| 2.1.3 人体骨架模型 | 第20-21页 |
| 2.2 人体运动数据的处理 | 第21-26页 |
| 2.2.1 数据坐标系变换 | 第22-24页 |
| 2.2.2 信号特征 | 第24-26页 |
| 2.3 决策树 | 第26-30页 |
| 2.3.1 基本算法 | 第26-27页 |
| 2.3.2 划分方法 | 第27-28页 |
| 2.3.3 剪枝 | 第28页 |
| 2.3.4 连续与缺失值 | 第28-29页 |
| 2.3.5 多变量决策树 | 第29-30页 |
| 2.4 支持向量机 | 第30-35页 |
| 2.4.1 基本型 | 第30-31页 |
| 2.4.2 对偶问题 | 第31-32页 |
| 2.4.3 SMO算法思想 | 第32-33页 |
| 2.4.4 核函数 | 第33-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 动作分析研究和特征提取 | 第36-64页 |
| 3.1 技术动作分析 | 第36-43页 |
| 3.1.1 运球、跑动等动作分析 | 第38-40页 |
| 3.1.2 投篮、跳跃等动作分析 | 第40-42页 |
| 3.1.3 分析结论 | 第42-43页 |
| 3.2 小波分析 | 第43-54页 |
| 3.2.1 小波变换 | 第44-45页 |
| 3.2.2 小波函数 | 第45-46页 |
| 3.2.3 小波阈值去噪 | 第46-49页 |
| 3.2.4 去噪方案选择 | 第49-54页 |
| 3.2.5 去噪小结 | 第54页 |
| 3.3 特征选取 | 第54-63页 |
| 3.3.1 起跳与跳投特征 | 第54-59页 |
| 3.3.2 投篮与运球动作特征 | 第59-61页 |
| 3.3.3 行走与跑动特征 | 第61-62页 |
| 3.3.4 特征提取小结 | 第62-63页 |
| 3.4 本章小结 | 第63-64页 |
| 第四章 多传感器识别系统结构介绍 | 第64-77页 |
| 4.1 系统构造 | 第64-66页 |
| 4.1.1 系统总体架构 | 第64页 |
| 4.1.2 传输技术选择 | 第64-66页 |
| 4.2 数据采集模块 | 第66-68页 |
| 4.3 数据预处理模块 | 第68-72页 |
| 4.3.1 数据校验 | 第70-71页 |
| 4.3.2 传感器原始数据提取 | 第71-72页 |
| 4.4 算法模块 | 第72-76页 |
| 4.5 本章小结 | 第76-77页 |
| 第五章 动作识别结果评估 | 第77-91页 |
| 5.1 实验条件和方法 | 第77-80页 |
| 5.1.1 数据采样 | 第77页 |
| 5.1.2 数据采集场景选择 | 第77页 |
| 5.1.3 坐标系校准方法 | 第77-78页 |
| 5.1.4 传感器数据误差评估 | 第78-79页 |
| 5.1.5 实验对象 | 第79页 |
| 5.1.6 起跳高度测量估计 | 第79页 |
| 5.1.7 实验PC配置 | 第79-80页 |
| 5.2 实验结果 | 第80-88页 |
| 5.2.1 计时方式 | 第80页 |
| 5.2.2 失重特征提取结果 | 第80-81页 |
| 5.2.3 特征向量提取结果 | 第81-82页 |
| 5.2.4 决策树分类结果 | 第82-85页 |
| 5.2.5 SVM分类器分类结果 | 第85-88页 |
| 5.3 结果评估 | 第88-89页 |
| 5.4 本章小结 | 第89-91页 |
| 5.4.1 内容小结 | 第89页 |
| 5.4.2 课题结论 | 第89-91页 |
| 第六章 总结与展望 | 第91-93页 |
| 6.1 总结 | 第91页 |
| 6.2 展望 | 第91-93页 |
| 致谢 | 第93-94页 |
| 参考文献 | 第94-97页 |
| 攻读研究生学位期间的研究成果 | 第97页 |
