基于视频的举重训练系统关键技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-18页 |
| ·课题背景与意义 | 第10页 |
| ·目标跟踪技术介绍 | 第10-11页 |
| ·人体运动跟踪方法综述 | 第11-16页 |
| ·论文主要内容和论文结构 | 第16-18页 |
| 第2章 基础知识介绍 | 第18-26页 |
| ·目标跟踪的贝叶斯概率模型 | 第18-20页 |
| ·粒子滤波算法 | 第20-25页 |
| ·蒙特卡洛方法 | 第21-22页 |
| ·序列重要性采样算法 | 第22-23页 |
| ·粒子重采样 | 第23-25页 |
| ·粒子滤波算法步骤 | 第25页 |
| ·本章小结 | 第25-26页 |
| 第3章 基于点相关统计特性的杠铃中心跟踪算法 | 第26-36页 |
| ·概述 | 第26-27页 |
| ·算法描述 | 第27-31页 |
| ·实验结果 | 第31-34页 |
| ·本章小结 | 第34-36页 |
| 第4章 视频图像背景建模 | 第36-52页 |
| ·概述 | 第36-37页 |
| ·Codebook背景建模 | 第37-40页 |
| ·创建初始模型 | 第37-38页 |
| ·时域滤波 | 第38-39页 |
| ·背景分割 | 第39页 |
| ·模型匹配条件 | 第39-40页 |
| ·信念传播算法 | 第40-44页 |
| ·MRF概率图模型 | 第41-42页 |
| ·信念传播算法 | 第42-43页 |
| ·基于BP背景分割的优化算法 | 第43-44页 |
| ·BP和Codebook相结合的背景分割算法 | 第44-49页 |
| ·算法框架 | 第45页 |
| ·算法步骤 | 第45-46页 |
| ·实验结果 | 第46-49页 |
| ·本章小结 | 第49-52页 |
| 第5章 基于贝叶斯粒子滤波的人体运动跟踪方法 | 第52-64页 |
| ·举重训练图像中的人体建模 | 第52-54页 |
| ·人体关节模型 | 第52-53页 |
| ·人体外观模型 | 第53-54页 |
| ·运动模型学习 | 第54-56页 |
| ·观测模型 | 第56-58页 |
| ·观测特征 | 第56页 |
| ·观测相似度测量 | 第56-58页 |
| ·跟踪算法步骤 | 第58-60页 |
| ·实验结果分析 | 第60-63页 |
| ·本章小结 | 第63-64页 |
| 第6章 举重训练系统设计与实现 | 第64-74页 |
| ·需求分析 | 第64-65页 |
| ·系统设计 | 第65-72页 |
| ·系统总体框架 | 第65-66页 |
| ·模块设计实现 | 第66-72页 |
| ·本章小结 | 第72-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间发表的学术论文 | 第80页 |
| 已申请专利和软件著作权 | 第80-82页 |
| 致谢 | 第82页 |
