基于Kinect的人体动作识别技术研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景与研究意义 | 第9-11页 |
| 1.2 国内外研究的水平和现状 | 第11-15页 |
| 1.2.1 人体运动检测 | 第11-12页 |
| 1.2.2 运动特征提取 | 第12-13页 |
| 1.2.3 动作识别方法 | 第13-15页 |
| 1.3 人体动作识别面临的挑战 | 第15-16页 |
| 1.4 本文的主要工作及创新点 | 第16页 |
| 1.5 本文的组织结构 | 第16-19页 |
| 2 Kinect相关技术 | 第19-31页 |
| 2.1 Kinect简介 | 第19-23页 |
| 2.1.1 Kinect硬件组成 | 第20-21页 |
| 2.1.2 Kinect SDK简介及功能介绍 | 第21-23页 |
| 2.2 Kinect骨骼跟踪技术 | 第23-26页 |
| 2.2.1 骨骼跟踪信息检索 | 第23-24页 |
| 2.2.2 主动跟踪和被动跟踪 | 第24-25页 |
| 2.2.3 骨骼空间坐标 | 第25-26页 |
| 2.3 MSRC-12 Kinect动作数据集 | 第26-29页 |
| 2.3.1 数据集简介 | 第26-28页 |
| 2.3.2 数据集内容 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 3 人体动作识别算法 | 第31-45页 |
| 3.1 人体动作识别简介 | 第31-32页 |
| 3.2 动作表征方式 | 第32-34页 |
| 3.3 模板字典学习 | 第34-38页 |
| 3.3.1 谱聚类算法 | 第35-36页 |
| 3.3.2 改进的DTW算法 | 第36-38页 |
| 3.3.3 模板字典的生成 | 第38页 |
| 3.4 结构化骨骼特征 | 第38-40页 |
| 3.4.1 结构化骨骼特征的定义及提取 | 第39页 |
| 3.4.2 结构化骨骼特征的优点 | 第39-40页 |
| 3.5 动作模板的生成 | 第40-43页 |
| 3.5.1 联合稀疏编码 | 第40-42页 |
| 3.5.2 动作模板生成 | 第42-43页 |
| 3.6 在线识别 | 第43-44页 |
| 3.6.1 骨骼预处理 | 第43-44页 |
| 3.6.2 在线识别 | 第44页 |
| 3.7 本章小结 | 第44-45页 |
| 4 实验结果与分析 | 第45-67页 |
| 4.1 实验整体架构 | 第45-46页 |
| 4.2 动作模板学习阶段 | 第46-58页 |
| 4.2.1 训练骨骼数据 | 第46-47页 |
| 4.2.2 运动数据流 | 第47-49页 |
| 4.2.3 动作实例 | 第49-50页 |
| 4.2.4 模板字典 | 第50-51页 |
| 4.2.5 结构化骨骼特征 | 第51-52页 |
| 4.2.6 动作模板 | 第52-53页 |
| 4.2.7 动作模板评估 | 第53-58页 |
| 4.3 在线识别阶段 | 第58-65页 |
| 4.3.1 骨骼预处理 | 第58-62页 |
| 4.3.2 在线识别 | 第62-65页 |
| 4.4 总结 | 第65-67页 |
| 5 总结和展望 | 第67-69页 |
| 5.1 论文工作总结 | 第67-68页 |
| 5.2 研究展望 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-75页 |
