人体三维姿态重构与动作分析
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 引言 | 第12-13页 |
| 1.2 研究背景及现状 | 第13-14页 |
| 1.3 三维人体重建与动作分析 | 第14-16页 |
| 1.3.1 基于 Kinect 的研究 | 第15页 |
| 1.3.2 单目视觉条件下的研究 | 第15-16页 |
| 1.4 本文的主要贡献 | 第16页 |
| 1.5 本文结构 | 第16-18页 |
| 第二章 三维人体姿态重构和动作分析 | 第18-28页 |
| 2.1 前景检测与分割算法研究 | 第20-22页 |
| 2.1.1 人体特征分类 | 第20-21页 |
| 2.1.2 前景检测与提取 | 第21-22页 |
| 2.2 动作分析方法 | 第22-23页 |
| 2.3 分类器研究 | 第23-27页 |
| 2.3.1 判别式模型研究 | 第24-25页 |
| 2.3.2 生成式模型研究 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于 Kinect 的动作识别研究 | 第28-49页 |
| 3.1 多目视觉概述 | 第28-30页 |
| 3.1.1 双目立体视觉 | 第28-29页 |
| 3.1.2 多目视觉系统 | 第29-30页 |
| 3.2 基于 Kinect 的三维人体动作分析 | 第30-32页 |
| 3.2.1 Kinect 设备介绍 | 第30-31页 |
| 3.2.2 Kinect 关键技术 | 第31-32页 |
| 3.3 三维动作表示 | 第32-45页 |
| 3.3.1 点云数据获取 | 第32-34页 |
| 3.3.2 人体骨架模型 | 第34-37页 |
| 3.3.3 骨架模型初始化 | 第37-39页 |
| 3.3.4 量子进化算法 | 第39-42页 |
| 3.3.5 量子进化算法改进 | 第42-45页 |
| 3.4 动作识别分类 | 第45-48页 |
| 3.4.1 动作特征提取 | 第45-46页 |
| 3.4.2 SVM 分类算法 | 第46-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 基于单目视觉的人体运动跟踪和重建 | 第49-59页 |
| 4.1 基于单目视觉的研究特点 | 第49页 |
| 4.2 基于高斯模型的前景检测 | 第49-51页 |
| 4.3 2D 到 3D 的姿态估计 | 第51-53页 |
| 4.3.1 2D 关节检测 | 第51-52页 |
| 4.3.2 2D 到 3D 的模型建立 | 第52-53页 |
| 4.4 基于模拟退火算法的姿态估计 | 第53-58页 |
| 4.4.1 粒子滤波 | 第53-54页 |
| 4.4.2 模拟退火 | 第54-56页 |
| 4.4.3 模拟退火粒子滤波算法优化 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 系统实现与结果分析 | 第59-72页 |
| 5.1 基于 Kinect 的系统实现与结果分析 | 第59-66页 |
| 5.1.1 点云数据获取 | 第59-61页 |
| 5.1.2 骨架模型 | 第61页 |
| 5.1.3 动作分类 | 第61-65页 |
| 5.1.4 实验对比 | 第65-66页 |
| 5.2 基于单目相机的人体上半身姿态分析 | 第66-71页 |
| 5.2.1 前景提取 | 第66-68页 |
| 5.2.2 人体姿态重建 | 第68-71页 |
| 5.3 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 全文总结 | 第72-73页 |
| 6.2 工作展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 攻读学位期间发表的学术论文目录 | 第80-82页 |
