| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 Kinect相机标定 | 第10页 |
| 1.2.2 运动人体检测 | 第10-13页 |
| 1.2.3 图像修复 | 第13-14页 |
| 1.3 本文研究内容和结构 | 第14-15页 |
| 2 Kinect特性研究 | 第15-27页 |
| 2.1 Kinect标定 | 第15-19页 |
| 2.1.1 Kinect的几何模型 | 第15-16页 |
| 2.1.2 RGB相机标定 | 第16-18页 |
| 2.1.3 深度相机标定 | 第18-19页 |
| 2.2 Kinect成像特点 | 第19-23页 |
| 2.2.1 IR和RGB相机成像差异 | 第19-21页 |
| 2.2.2 视角差对匹配率的影响 | 第21-22页 |
| 2.2.3 IR和RGB摄像头视场差的影响 | 第22-23页 |
| 2.3 连接应用程序和Kinect的中间件——OpenNI | 第23-25页 |
| 2.3.1 OpenNI框架概述 | 第23-24页 |
| 2.3.2 OpenNI架构介绍 | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 Kinect运动人体检测算法研究 | 第27-47页 |
| 3.1 深度图像生成 | 第27-29页 |
| 3.1.1 深度图像建模及预处理 | 第27-29页 |
| 3.1.2 OpenNI人体检测 | 第29页 |
| 3.2 基于背景差分法的人体检测技术 | 第29-32页 |
| 3.2.1 背景差分法原理及单高斯法背景建模 | 第29-31页 |
| 3.2.2 基于单高斯模型的背景差分法实验步骤和应用 | 第31-32页 |
| 3.3 基于边缘的人体检测算法 | 第32-38页 |
| 3.3.1 边缘检测方法及原理 | 第33-35页 |
| 3.3.2 基于sobel算子的人体检测技术 | 第35-38页 |
| 3.4 基于缩放式匹配的人体检测技术 | 第38-43页 |
| 3.4.1 深度图像预处理 | 第39-40页 |
| 3.4.2 缩放式匹配法关系建立 | 第40-41页 |
| 3.4.3 缩放式匹配法在深度图中提取人体的应用和结果 | 第41-43页 |
| 3.5 检测算法评价 | 第43-46页 |
| 3.6 本章小结 | 第46-47页 |
| 4 深度图像修复及噪声去除技术研究 | 第47-63页 |
| 4.1 图像修复问题概述 | 第47-54页 |
| 4.1.1 图像修复的基本准则 | 第47-48页 |
| 4.1.2 PDE修复模型 | 第48-50页 |
| 4.1.3 全变分修复模型 | 第50-54页 |
| 4.2 深度图像修复技术 | 第54-59页 |
| 4.2.1 基于纵向梯度的深度图像修复方法 | 第54-55页 |
| 4.2.2 基于纵向梯度修复方法实验步骤和应用 | 第55-59页 |
| 4.3 深度图像滤波 | 第59-62页 |
| 4.3.1 滤波器 | 第59-61页 |
| 4.3.2 局部深度均值滤波在深度图像中的应用 | 第61-62页 |
| 4.4 本章小结 | 第62-63页 |
| 5 基于Kinect的运动人体检测系统设计 | 第63-73页 |
| 5.1 实验平台的搭建 | 第63-64页 |
| 5.1.1 实验场地和硬件设备介绍 | 第63页 |
| 5.1.2 检测系统功能介绍 | 第63-64页 |
| 5.2 Kinect标定及运动人体数据库建立 | 第64-66页 |
| 5.2.1 Kinect标定 | 第64-65页 |
| 5.2.2 数据库采集 | 第65-66页 |
| 5.3 检测系统的功能实现 | 第66-72页 |
| 5.3.1 系统工作流程介绍 | 第67-68页 |
| 5.3.2 系统功能模块介绍 | 第68-72页 |
| 5.4 本章小结 | 第72-73页 |
| 6 总结与展望 | 第73-75页 |
| 6.1 论文总结 | 第73页 |
| 6.2 研究展望 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间主要研究成果 | 第81-82页 |
| 致谢 | 第82-83页 |
