基于深度图像的人体关节点定位的方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 1 引言 | 第8-18页 |
| ·人体关节点定位技术 | 第8-9页 |
| ·人体关节点定位技术的发展 | 第8页 |
| ·人体关节点定位技术的应用 | 第8-9页 |
| ·基于深度图像人体关节点定位的相关方法 | 第9-12页 |
| ·人体关节点定位方法的分类 | 第9-10页 |
| ·人体关节点定位的典型方法 | 第10-12页 |
| ·深度图像 | 第12-14页 |
| ·深度图像简介 | 第12-13页 |
| ·深度图像与彩色图像的对比 | 第13-14页 |
| ·深度成像技术简介 | 第14-15页 |
| ·深度摄像技术现状 | 第14-15页 |
| ·Kinect技术 | 第15页 |
| ·研究的目的及意义 | 第15-16页 |
| ·研究的目的 | 第15-16页 |
| ·研究的意义 | 第16页 |
| ·论文的研究成果及组织结构 | 第16-18页 |
| 2 前景分割 | 第18-25页 |
| ·基于深度图像的前景分割 | 第18页 |
| ·本文的前景分割方法 | 第18-23页 |
| ·利用RANSAC算法分割天花板和地板 | 第19-20页 |
| ·利用轮廓追踪方法对图像进行降噪处理 | 第20-22页 |
| ·利用深度信息分割前景对象 | 第22-23页 |
| ·性能评价 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 3 关节点分类 | 第25-35页 |
| ·机器学习简述 | 第25页 |
| ·深度图像特征提取 | 第25-28页 |
| ·典型的深度特征提取 | 第26页 |
| ·改进的特征提取方法 | 第26-28页 |
| ·像素点分类 | 第28-32页 |
| ·决策树 | 第28-31页 |
| ·随机森林 | 第31-32页 |
| ·分类器参数的测试 | 第32-33页 |
| ·本章小结 | 第33-35页 |
| 4 关节点位置定位 | 第35-46页 |
| ·Mean-Shift简述 | 第35-37页 |
| ·本文应用的密度估计方法 | 第37-41页 |
| ·关节点预测的优化机制 | 第41-44页 |
| ·本章小结 | 第44-46页 |
| 5 实验与分析 | 第46-59页 |
| ·实验准备 | 第46-48页 |
| ·系统框架 | 第46-47页 |
| ·实验数据及参数 | 第47-48页 |
| ·实验分析 | 第48-56页 |
| ·实验数据的标记 | 第48-49页 |
| ·分类结果评价 | 第49-53页 |
| ·关节点预测结果评价 | 第53-55页 |
| ·人体骨架的三维显示 | 第55-56页 |
| ·与其他方法的比较 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| ·总结 | 第59-60页 |
| ·展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66页 |
