深度图像中人体姿态估计研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究的背景与意义 | 第10-12页 |
| 1.2 课题研究现状 | 第12-14页 |
| 1.2.1 有模型人体姿态估计 | 第12-13页 |
| 1.2.2 无模型人体姿态估计 | 第13页 |
| 1.2.3 现存难点问题 | 第13-14页 |
| 1.3 本文研究内容及组织结构 | 第14-16页 |
| 第二章 相关基础理论知识 | 第16-26页 |
| 2.1 有模型人体姿态估计系统介绍 | 第16-20页 |
| 2.1.1 有模型人体姿态估计步骤 | 第16页 |
| 2.1.2 尺度不变特征变换法 | 第16-17页 |
| 2.1.3 梯度方向直方图特征 | 第17-19页 |
| 2.1.4 人体几何模型 | 第19-20页 |
| 2.2 无模型人体姿态估计系统 | 第20-22页 |
| 2.2.1 深度图像获取方式 | 第20-21页 |
| 2.2.2 结构光成像技术成像原理 | 第21-22页 |
| 2.3 随机森林决策原理 | 第22-25页 |
| 2.3.1 决策树 | 第23页 |
| 2.3.2 随机森林决策原理 | 第23-25页 |
| 2.4 章节小结 | 第25-26页 |
| 第三章 深度图像的梯度特征提取 | 第26-37页 |
| 3.1 传统的深度图像特征提取方法 | 第26-27页 |
| 3.1.1 人体部件尺度特征 | 第26-27页 |
| 3.1.2 深度图像偏移比较特征 | 第27页 |
| 3.2 深度图像的方向梯度特征 | 第27-30页 |
| 3.2.1 传统的深度图像方向梯度 | 第27-28页 |
| 3.2.2 深度图像方向梯度特征的优化 | 第28-30页 |
| 3.3 深度图像的量级梯度特征 | 第30-32页 |
| 3.3.1 传统的深度图像量级梯度 | 第30-31页 |
| 3.3.2 优化的深度图像量级梯度特征 | 第31-32页 |
| 3.4 实验结果与分析 | 第32-36页 |
| 3.4.1 不同试验方法效果对比 | 第32-34页 |
| 3.4.2 不同算法鲁棒性对比试验 | 第34页 |
| 3.4.3 改进DGoD算法对比试验 | 第34-35页 |
| 3.4.4 改进MGoD与传统MGoD对比试验 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 随机森林双向投票机制 | 第37-47页 |
| 4.1 随机森林性能分析 | 第37-39页 |
| 4.1.1 分类效果指标 | 第37-38页 |
| 4.1.2 泛化误差与OOB误差估计 | 第38-39页 |
| 4.1.3 随机森林运行效率指标 | 第39页 |
| 4.2 随机森林的双向投票机制 | 第39-42页 |
| 4.2.1 随机森林双向投票机制的原理 | 第40-41页 |
| 4.2.2 随机森林双向投票机制的算法 | 第41页 |
| 4.2.3 双向投票机制的姿态估计优化 | 第41-42页 |
| 4.3 随机森林双向投票机制算法复杂度分析 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-45页 |
| 4.4.1 训练阶段时间开销对比实验 | 第43-44页 |
| 4.4.2 测试阶段时间开销对比实验 | 第44-45页 |
| 4.4.3 正确率对比试验 | 第45页 |
| 4.5 本章小结 | 第45-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 回顾与总结 | 第47页 |
| 5.2 未来研究工作与展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53-55页 |
| 附录A （攻读硕士学位期间发表论文目录） | 第55页 |
