基于Kinect的动作评价方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-15页 |
| 1.2.1 人体检测发展现状 | 第10-12页 |
| 1.2.2 人体跟踪发展现状 | 第12-13页 |
| 1.2.3 人体动作识别发展现状 | 第13-14页 |
| 1.2.4 Kinect发展近况 | 第14-15页 |
| 1.3 研究内容 | 第15页 |
| 1.4 论文结构 | 第15-17页 |
| 第2章 Kinect开发平台 | 第17-25页 |
| 2.1 Kinect综述 | 第17-21页 |
| 2.1.1 Kinect传感器构造 | 第18-19页 |
| 2.1.2 Kinect SDK | 第19-21页 |
| 2.2 数据流概述 | 第21-24页 |
| 2.2.1 Kinect彩色图像帧数据 | 第21页 |
| 2.2.2 Kinect景深图像帧数据 | 第21-23页 |
| 2.2.3 Kinect骨骼帧数据 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 基于骨骼数据的人体姿态特征提取 | 第25-35页 |
| 3.1 骨骼信息的特征提取 | 第25-27页 |
| 3.2 骨骼特征向量的不变性 | 第27-28页 |
| 3.3 人体行为的特征提取 | 第28-30页 |
| 3.3.1 关节坐标的归一化距离 | 第28-29页 |
| 3.3.2 关节角度的计算 | 第29-30页 |
| 3.4 特征提取实验分析 | 第30-34页 |
| 3.4.1 实验设备与开发环境 | 第30-31页 |
| 3.4.2 实验过程与结果 | 第31-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 静态姿势识别方法研究 | 第35-44页 |
| 4.1 主流识别算法 | 第35-37页 |
| 4.1.1 基于模板匹配的方法 | 第35-36页 |
| 4.1.2 基于机器学习分类的方法 | 第36页 |
| 4.1.3 基于统计概率的方法 | 第36-37页 |
| 4.2 静态姿势识别 | 第37-39页 |
| 4.2.1 样本库的选取 | 第37-38页 |
| 4.2.2 基于KNN算法的姿态库建模 | 第38-39页 |
| 4.3 实验分析 | 第39-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 人体动作评价方法的研究 | 第44-58页 |
| 5.1 运动序列的时间属性 | 第44-45页 |
| 5.2 基于DTW的匹配算法 | 第45-47页 |
| 5.3 建立动作模板库 | 第47-49页 |
| 5.3.1 特征向量的选取 | 第47-48页 |
| 5.3.2 多元线性回归建模 | 第48-49页 |
| 5.4 设计动作评估实验 | 第49-54页 |
| 5.4.1 评估标准的选取 | 第49页 |
| 5.4.2 实验流程 | 第49-51页 |
| 5.4.3 实验数据分析 | 第51-54页 |
| 5.5 动作评价公式的构建 | 第54-56页 |
| 5.6 基于动作评价的体感游戏开发 | 第56-57页 |
| 5.7 本章小结 | 第57-58页 |
| 第6章 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62页 |
