| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题的研究背景 | 第8-10页 |
| 1.2 研究现状 | 第10-14页 |
| 1.2.1 Kinect研究现状 | 第10-12页 |
| 1.2.2 深度数据匹配研究现状 | 第12-13页 |
| 1.2.3 常见的时间序列匹配方法 | 第13-14页 |
| 1.3 论文主要研究内容及组织结构 | 第14-16页 |
| 第2章 动态深度数据匹配 | 第16-34页 |
| 2.1 动态深度数据采集及预处理 | 第16-19页 |
| 2.1.1 动作设计和采集 | 第16-17页 |
| 2.1.2 深度数据预处理 | 第17-19页 |
| 2.2 静态深度数据匹配 | 第19-26页 |
| 2.2.1 运动区域裁剪 | 第19-20页 |
| 2.2.2 深度特征提取 | 第20-23页 |
| 2.2.3 特征匹配 | 第23-26页 |
| 2.3 动态深度数据匹配 | 第26-28页 |
| 2.3.1 动态时间规整 | 第27-28页 |
| 2.4 实验及结果分析 | 第28-33页 |
| 2.4.1 三维形状上下文与二维形状上下文的比较 | 第29页 |
| 2.4.2 采点数量对匹配的影响 | 第29-32页 |
| 2.4.3 距离度量函数 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 匹配加速策略 | 第34-47页 |
| 3.1 算法时间复杂度分析 | 第34-35页 |
| 3.2 特征聚类 | 第35-37页 |
| 3.2.1 常见聚类方法 | 第35页 |
| 3.2.2 K-均值聚类 | 第35-37页 |
| 3.3 Bag of Visual Words模型 | 第37-38页 |
| 3.4 基于BoW模型的动态深度数据匹配 | 第38-43页 |
| 3.4.1 使用基本K-均值聚类 | 第38页 |
| 3.4.2 使用树状词表(Vocabulary Tree)聚类 | 第38-40页 |
| 3.4.3 词汇权重 | 第40-42页 |
| 3.4.4 特征量化 | 第42-43页 |
| 3.4.5 基于Bag of Word的动态深度数据匹配 | 第43页 |
| 3.5 实验及结果分析 | 第43-46页 |
| 3.5.1 基于视觉词表的实验结果 | 第43-44页 |
| 3.5.2 基于词表树的实验结果 | 第44-45页 |
| 3.5.3 使用加权视觉单词与未加权单词的检索结果比较 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 动态深度数据匹配应用 | 第47-53页 |
| 4.1 动作采集模块 | 第47-49页 |
| 4.2 动作标定及预处理模块 | 第49-50页 |
| 4.3 检索模块 | 第50-51页 |
| 4.4 结果展示模块 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第58-60页 |
| 致谢 | 第60-61页 |
| 简历 | 第61页 |
