| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 行为描述方法研究现状 | 第10-12页 |
| 1.2.1 基于低层图像信息的行为描述方法 | 第10-11页 |
| 1.2.2 基于高层人体结构的行为描述方法 | 第11-12页 |
| 1.3 行为识别算法研究现状 | 第12-13页 |
| 1.3.1 基于模板匹配的行为识别算法 | 第12-13页 |
| 1.3.2 基于状态空间的行为识别算法 | 第13页 |
| 1.4 基于Kinect的动作识别研究现状 | 第13-14页 |
| 1.5 本文研究主要内容 | 第14-15页 |
| 1.6 论文章节安排 | 第15-17页 |
| 第二章 Kinect相关技术介绍 | 第17-23页 |
| 2.1 Kinect概述 | 第17-18页 |
| 2.2 Kinect中的深度数据 | 第18-19页 |
| 2.2.1 深度图像获取原理 | 第18-19页 |
| 2.2.2 深度信息测量 | 第19页 |
| 2.3 Kinect中的骨骼数据 | 第19-22页 |
| 2.3.1 Kinect骨骼获取原理 | 第19-21页 |
| 2.3.2 骨骼数据处理 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于骨骼帧的行为描述方法 | 第23-29页 |
| 3.1 常用行为描述方法 | 第23-24页 |
| 3.1.1 光流特征 | 第23页 |
| 3.1.2 时空特征 | 第23-24页 |
| 3.1.3 深度特征 | 第24页 |
| 3.1.4 剪影特征 | 第24页 |
| 3.2 人体向量构造 | 第24-26页 |
| 3.3 特征向量提取 | 第26-27页 |
| 3.4 本章小结 | 第27-29页 |
| 第四章 人体动作识别算法研究 | 第29-43页 |
| 4.1 DTW算法 | 第29-31页 |
| 4.2 DTW算法中的距离算法 | 第31-32页 |
| 4.2.1 欧式距离(Euclidean Distance) | 第31页 |
| 4.2.2 马氏距离(Mahalanobis Distance) | 第31-32页 |
| 4.2.3 卡方检验 | 第32页 |
| 4.3 BP神经网络 | 第32-38页 |
| 4.3.1 人工神经网络 | 第32-34页 |
| 4.3.2 BP神经网络 | 第34-38页 |
| 4.3.3 BP神经网络的泛化能力 | 第38页 |
| 4.4 BP神经网络算法优化 | 第38-41页 |
| 4.4.1 垃圾数据剔除 | 第39-40页 |
| 4.4.2 降低样本维度 | 第40-41页 |
| 4.5 本章小结 | 第41-43页 |
| 第五章 实验及结果分析 | 第43-51页 |
| 5.1 DTW算法实验 | 第43-45页 |
| 5.1.1 实验设计 | 第43页 |
| 5.1.2 实验结果分析 | 第43-45页 |
| 5.2 改进的BP神经网络算法实验 | 第45-50页 |
| 5.2.1 实验设计 | 第45-46页 |
| 5.2.2 实验结果分析 | 第46-50页 |
| 5.3 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 工作总结 | 第51-52页 |
| 6.2 论文展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读学位期间所取得的相关科研成果 | 第57-59页 |
| 致谢 | 第59-60页 |