自适应骨骼中心的人体行为识别研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 研究背景及意义 | 第15-18页 |
| 1.1.1 保健医疗 | 第16页 |
| 1.1.2 智能机器人 | 第16页 |
| 1.1.3 运动分析 | 第16-17页 |
| 1.1.4 视频监控 | 第17页 |
| 1.1.5 虚拟现实 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-22页 |
| 1.3 行为识别的问题和挑战 | 第22-23页 |
| 1.4 论文的主要贡献与组织结构 | 第23-25页 |
| 1.4.1 论文的主要贡献 | 第23-24页 |
| 1.4.2 论文的组织结构 | 第24-25页 |
| 第二章 基于三维骨骼的人体行为识别相关技术 | 第25-41页 |
| 2.1 骨骼数据提取 | 第25-27页 |
| 2.1.1 Kinect传感器设备 | 第25-26页 |
| 2.1.2 人体骨骼的提取技术 | 第26-27页 |
| 2.2 骨骼数据特征的表示 | 第27-30页 |
| 2.2.1 基于关节点表示 | 第27-30页 |
| 2.2.2 基于关节点描述符 | 第30页 |
| 2.2.3 动态描述符 | 第30页 |
| 2.3 李群和李代数 | 第30-33页 |
| 2.3.1 李群 | 第31-32页 |
| 2.3.2 李代数 | 第32页 |
| 2.3.3 特殊三维欧氏群以及对应的李代数 | 第32-33页 |
| 2.4 DTW方法 | 第33-34页 |
| 2.5 行为识别分类方法 | 第34-39页 |
| 2.5.1 直接分类法 | 第34-37页 |
| 2.5.2 状态空间法 | 第37-38页 |
| 2.5.3 词袋模型法 | 第38-39页 |
| 2.6 本章小结 | 第39-41页 |
| 第三章 自适应骨骼中心的人体行为识别 | 第41-53页 |
| 3.1 引言及问题提出 | 第41-42页 |
| 3.2 骨骼关节点的特征提取及表示 | 第42-50页 |
| 3.2.1 三维骨骼关节点的相对位置关系 | 第42-45页 |
| 3.2.2 骨骼特征提取 | 第45-47页 |
| 3.2.3 自适应特征值计算 | 第47-50页 |
| 3.3 自适应骨骼中心的人体行为识别算法实现 | 第50-51页 |
| 3.3.1 识别和分类处理过程 | 第50页 |
| 3.3.2 算法框架 | 第50-51页 |
| 3.4 本章小结 | 第51-53页 |
| 第四章 实验结果及讨论 | 第53-67页 |
| 4.1 实验设置 | 第53页 |
| 4.1.1 实验环境 | 第53页 |
| 4.1.2 实验测试平台介绍 | 第53页 |
| 4.2 MSR-Action3D数据集 | 第53-59页 |
| 4.3 UTKinect-Action数据集 | 第59-63页 |
| 4.4 Florence3D-Action数据集 | 第63-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 研究总结 | 第67页 |
| 5.2 研究展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |
