| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 运动特征提取研究 | 第11-12页 |
| 1.2.2 动作分类方法研究 | 第12-13页 |
| 1.2.3 连续动作分割研究 | 第13-14页 |
| 1.3 论文主要研究工作 | 第14页 |
| 1.4 本论文的结构安排 | 第14-16页 |
| 第二章 人体动作特征提取 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 基于Kinect的特征数据 | 第16-20页 |
| 2.2.1 Kinect简介 | 第16-17页 |
| 2.2.2 基于Kincet的深度数据 | 第17-18页 |
| 2.2.3 基于Kinect的关节点位置数据 | 第18-20页 |
| 2.3 基于深度图像序列的DMM-HOG特征 | 第20-23页 |
| 2.3.1 深度运动图 | 第20-21页 |
| 2.3.2 DMM-HOG特征提取 | 第21-23页 |
| 2.4 基于关节信息的人体运动特征 | 第23-28页 |
| 2.4.1 关节点位置信息预处理 | 第24页 |
| 2.4.2 傅里叶时间金字塔特征 | 第24-25页 |
| 2.4.3 改进的协方差时间金字塔特征 | 第25-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 基于联合信息的动作识别算法 | 第30-44页 |
| 3.1 基于单信息的动作识别 | 第30-37页 |
| 3.1.1 基于DTW算法的动作识别 | 第31-33页 |
| 3.1.2 基于SVM分类算法的动作识别 | 第33-36页 |
| 3.1.3 两种识别算法的比较 | 第36-37页 |
| 3.2 基于联合信息的动作识别 | 第37-43页 |
| 3.2.1 联合信息的混联结构 | 第37-38页 |
| 3.2.2 联合信息的数据挖掘训练 | 第38-41页 |
| 3.2.3 基于联合信息的动作识别过程 | 第41-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第四章 连续动作识别算法 | 第44-52页 |
| 4.1 引言 | 第44页 |
| 4.2 基于HMMs的分割算法 | 第44-47页 |
| 4.3 基于多分类SVM的分割识别算法 | 第47-51页 |
| 4.3.1 SVM多分类策略选择 | 第47-48页 |
| 4.3.2 分类置信度及其计算 | 第48-49页 |
| 4.3.3 基于SVM分类置信度的连续动作识别算法 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 实验结果与分析 | 第52-65页 |
| 5.1 数据集及实验设置 | 第52-54页 |
| 5.1.1 数据集选择 | 第52-53页 |
| 5.1.2 实验设置 | 第53-54页 |
| 5.2 实验相关的参数训练 | 第54-58页 |
| 5.2.1 权重因子? 的确定 | 第54-55页 |
| 5.2.2 二分类器参数训练 | 第55-58页 |
| 5.3 实验结果及分析 | 第58-63页 |
| 5.3.1 基于联合特征的动作识别算法实验 | 第58-60页 |
| 5.3.2 连续动作识别算法实验 | 第60-63页 |
| 5.4 本章小结 | 第63-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 研究内容总结 | 第65-66页 |
| 6.2 未来工作展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士期间取得的研究成果 | 第72-73页 |