基于卷积神经网络的人体姿态识别研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 姿态识别的难点和关键问题 | 第11-12页 |
| 1.4 本文组织结构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第2章 人体姿态深度图像库 | 第14-22页 |
| 2.1 人体姿态识别简介 | 第14页 |
| 2.2 人体姿态深度图像库的建立 | 第14-20页 |
| 2.2.1 深度图像基本概念 | 第15页 |
| 2.2.2 深度成像图像原理 | 第15-18页 |
| 2.2.3 Kinect深度图像的获取 | 第18-19页 |
| 2.2.4 姿态图像库的建立 | 第19-20页 |
| 2.3 本章小结 | 第20-22页 |
| 第3章 人工神经网络和卷积神经网络 | 第22-40页 |
| 3.1 人工神经网络 | 第22-26页 |
| 3.1.1 神经元模型 | 第22页 |
| 3.1.2 神经网络模型 | 第22-25页 |
| 3.1.3 反向传播算法 | 第25-26页 |
| 3.2 卷积神经网络 | 第26-33页 |
| 3.2.1 卷积神经网络特征 | 第27-30页 |
| 3.2.2 卷积层 | 第30-31页 |
| 3.2.3 下采样层 | 第31页 |
| 3.2.4 全连接层 | 第31页 |
| 3.2.5 卷积神经网络的训练 | 第31-33页 |
| 3.3 卷积神经网络计算 | 第33-39页 |
| 3.3.1 常见激活函数 | 第33-35页 |
| 3.3.2 SoftMax回归 | 第35-36页 |
| 3.3.3 损失函数 | 第36-37页 |
| 3.3.4 卷积层的梯度计算 | 第37-38页 |
| 3.3.5 下采样层的梯度计算 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于卷积神经网络的人体姿态识别 | 第40-44页 |
| 4.1 姿态识别方案 | 第40页 |
| 4.2 卷积神经网络模型设计 | 第40-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第5章 人体姿态识别实验与分析 | 第44-51页 |
| 5.1 数据准备 | 第44页 |
| 5.2 实验环境 | 第44-45页 |
| 5.3 Caffe深度学习框架 | 第45-46页 |
| 5.4 训练和识别 | 第46-47页 |
| 5.5 数据分析 | 第47-50页 |
| 5.6 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读学位期间取得学术成果 | 第57页 |
