| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 体感交互 | 第12-15页 |
| 1.3 基于深度图像的人体动作识别研究现状 | 第15-16页 |
| 1.4 本文研究意义 | 第16-18页 |
| 1.5 本文的主要研究内容 | 第18页 |
| 1.6 本章小结 | 第18-19页 |
| 第二章 肢体识别分析 | 第19-30页 |
| 2.1 识别硬件设备分析 | 第19-22页 |
| 2.1.1 数据手套 | 第19页 |
| 2.1.2 普通摄像头 | 第19-20页 |
| 2.1.3 Leap Motion | 第20-21页 |
| 2.1.4 Kinect体感设备 | 第21-22页 |
| 2.2 运动数据处理分析 | 第22页 |
| 2.3 深度图像的获取 | 第22-23页 |
| 2.4 特征提取 | 第23页 |
| 2.5 识别方法分析 | 第23-28页 |
| 2.5.1 简单识别算法简介 | 第24-25页 |
| 2.5.2 支持向量机（SVM） | 第25页 |
| 2.5.3 动态时间规整（DTW） | 第25-27页 |
| 2.5.4 隐马尔科夫模型 | 第27-28页 |
| 2.6 传统隐马尔科夫模型应用在人体动作识别中的缺陷 | 第28页 |
| 2.7 总结常用识别方法 | 第28-29页 |
| 2.8 本章小结 | 第29-30页 |
| 第三章 人体动作识别方案设计 | 第30-50页 |
| 3.1 动作捕捉技术分析 | 第30页 |
| 3.2 基于Kinect人体骨骼的动作数据提取 | 第30-39页 |
| 3.2.1 人体动作数据提取 | 第30-33页 |
| 3.2.2 动作起始帧和结束帧检测 | 第33-35页 |
| 3.2.3 动作数据的表示 | 第35-37页 |
| 3.2.4 动作数据预处理 | 第37-39页 |
| 3.3 动作数据特征提取 | 第39-40页 |
| 3.4 神经网络特征选择 | 第40-44页 |
| 3.4.1 应用神经网络特征选择的必要性 | 第40-41页 |
| 3.4.2 单个神经元 | 第41-42页 |
| 3.4.3 神经网络结构 | 第42-44页 |
| 3.5 高斯混合隐马尔科夫模型（GMM-HMM） | 第44-49页 |
| 3.5.1 隐马尔科夫模型参数 | 第44-45页 |
| 3.5.2 隐马尔科夫模型中引入高斯参数 | 第45-48页 |
| 3.5.3 最大期望法训练混合高斯密度隐马尔科夫模型 | 第48-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 实时识别与体感交互系统应用 | 第50-63页 |
| 4.1 体感交互系统 | 第50页 |
| 4.2 分类器获取 | 第50-56页 |
| 4.2.1 动作定义 | 第50-51页 |
| 4.2.2 采集样本 | 第51-54页 |
| 4.2.3 训练分类器 | 第54-56页 |
| 4.2.4 分类器测试与分析 | 第56页 |
| 4.3 体感交互系统实现 | 第56-58页 |
| 4.3.1 加载角色模型 | 第57页 |
| 4.3.2 角色模型响应动作定义 | 第57-58页 |
| 4.3.3 体感交互系统结构 | 第58页 |
| 4.4 体感交互系统性能测试 | 第58-61页 |
| 4.5 实验结果分析 | 第61-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 附件 | 第71页 |