基于支持向量机的人体动作识别智能算法研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 课题研究现状分析 | 第9-13页 |
| 1.2.1 课题研究现状 | 第9-12页 |
| 1.2.2 分析与总结 | 第12-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 论文结构 | 第13-15页 |
| 第2章 人体动作识别的解决方案 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 相关理论研究 | 第15-21页 |
| 2.2.1 特征选择和特征提取 | 第15-16页 |
| 2.2.2 奇异值分解 | 第16-17页 |
| 2.2.3 分类算法的比较 | 第17-19页 |
| 2.2.4 支持向量机 | 第19-20页 |
| 2.2.5 隐马尔科夫模型 | 第20-21页 |
| 2.3 动作识别框架的设计 | 第21-24页 |
| 2.3.1 将要解决的问题 | 第21-22页 |
| 2.3.2 设计思路和算法流程 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 人体三维建模和动作数据特征提取 | 第25-36页 |
| 3.1 引言 | 第25页 |
| 3.2 人体三维建模 | 第25-28页 |
| 3.2.1 深度传感器介绍 | 第25-26页 |
| 3.2.2 基于骨骼跟踪的人体三维建模 | 第26-28页 |
| 3.3 动作数据的特征选择和特征提取 | 第28-32页 |
| 3.3.1 运动向量构造 | 第28-29页 |
| 3.3.2 特征选择 | 第29-31页 |
| 3.3.3 基于SVD的特征提取 | 第31-32页 |
| 3.4 特征模型有效性验证 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 实时人体动作识别算法 | 第36-50页 |
| 4.1 引言 | 第36页 |
| 4.2 实时动作识别算法的设计思想 | 第36页 |
| 4.3 基于SVM的初步动作识别 | 第36-46页 |
| 4.3.1 线性SVM和非线性SVM | 第37-41页 |
| 4.3.2 基于多分类SVM的识别算法设计 | 第41-42页 |
| 4.3.3 参数优化 | 第42-44页 |
| 4.3.4 算法仿真 | 第44-46页 |
| 4.4 基于HMM的优化动作识别 | 第46-49页 |
| 4.4.1 优化识别问题的引入 | 第46-47页 |
| 4.4.2 应用于优化识别的HMM | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 实验系统设计与算法测试 | 第50-63页 |
| 5.1 引言 | 第50页 |
| 5.2 模拟实验系统的搭建 | 第50-54页 |
| 5.2.1 实验系统架构 | 第50-53页 |
| 5.2.2 模拟家居场景的数据采集 | 第53-54页 |
| 5.3 基于SVM初步动作识别算法的训练与测试 | 第54-60页 |
| 5.3.1 数据预处理 | 第54-55页 |
| 5.3.2 SVM参数的训练 | 第55-57页 |
| 5.3.3 分类算法模型的训练与测试 | 第57-60页 |
| 5.4 基于HMM的优化识别算法训练与测试 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69页 |
