| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 国内外研究历史与现状 | 第12-14页 |
| 1.3 本论文的主要研究内容与结构安排 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14页 |
| 1.3.2 论文结构安排 | 第14-16页 |
| 第二章 CNN技术理论基础概述 | 第16-30页 |
| 2.1 基本概念 | 第16-17页 |
| 2.2 卷积层和特征响应图 | 第17-19页 |
| 2.3 参数共享 | 第19-20页 |
| 2.4 稀疏连接 | 第20-21页 |
| 2.5 多通道卷积 | 第21-22页 |
| 2.6 激活函数 | 第22页 |
| 2.7 池化、不变性和感受野 | 第22-25页 |
| 2.8 分布式表征(Distributed Representation) | 第25-27页 |
| 2.9 分布式表征和局部泛化 | 第27-28页 |
| 2.10 分层表达 | 第28-29页 |
| 2.11 卷积神经网络结构 | 第29页 |
| 2.12 本章小结 | 第29-30页 |
| 第三章 KINECT坐姿识别系统设计 | 第30-38页 |
| 3.1 Kinect结构及原理分析 | 第31-33页 |
| 3.1.1 Kinect硬件结构 | 第31-32页 |
| 3.1.2 Kinect深度图像成像原理 | 第32-33页 |
| 3.2 系统功能设计 | 第33-37页 |
| 3.2.1 图像采集模块设计 | 第33-35页 |
| 3.2.2 图像预处理模块设计 | 第35-36页 |
| 3.2.3 坐姿识别模块设计 | 第36-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 坐姿识别系统实现 | 第38-61页 |
| 4.1 系统开发环境说明 | 第39-41页 |
| 4.1.1 TensorFlow简介 | 第39页 |
| 4.1.2 OpenCV及EmguCV简介 | 第39-40页 |
| 4.1.3 Python及Anaconda简介 | 第40页 |
| 4.1.4 WPF简介 | 第40-41页 |
| 4.1.5 环境配置所需硬件及软件 | 第41页 |
| 4.2 Kinect驱动及图像采集实现 | 第41-45页 |
| 4.2.1 初始化 | 第42-43页 |
| 4.2.2 数据采集 | 第43-45页 |
| 4.3 图像预处理实现 | 第45-48页 |
| 4.3.1 图像形态学操作：腐蚀 | 第45页 |
| 4.3.2 图像形态学操作：膨胀 | 第45页 |
| 4.3.3 寻找图像中物体的轮廓 | 第45-46页 |
| 4.3.4 截取并归一化 | 第46-48页 |
| 4.4 采集程序实现 | 第48-50页 |
| 4.4.1 实时预览 | 第48页 |
| 4.4.2 采样数据保存 | 第48-49页 |
| 4.4.3 连续保存 | 第49页 |
| 4.4.4 延时和提示音 | 第49-50页 |
| 4.5 训练程序实现 | 第50-54页 |
| 4.5.1 数据读取 | 第50-51页 |
| 4.5.2 预处理 | 第51-52页 |
| 4.5.3 网络构建 | 第52-54页 |
| 4.5.4 训练与结果保存 | 第54页 |
| 4.6 识别程序实现 | 第54-60页 |
| 4.6.1 识别模块 | 第55-56页 |
| 4.6.2 图像预处理模块 | 第56-58页 |
| 4.6.3 窗体程序 | 第58-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第五章 坐姿识别系统效果测试与分析 | 第61-70页 |
| 5.1 测试目的、方法与内容 | 第61-62页 |
| 5.2 样本采集及分析 | 第62-66页 |
| 5.3 训练结果及分析 | 第66-68页 |
| 5.4 识别结果及分析 | 第68-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70页 |
| 6.2 展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-75页 |