| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 各身份识别方式的研究与对比 | 第13-14页 |
| 1.2.2 Kinect技术在各领域的应用 | 第14-15页 |
| 1.2.3 国内外智能家居系统的现状及发展 | 第15页 |
| 1.3 研究思路及研究内容 | 第15-16页 |
| 1.4 组织结构 | 第16-17页 |
| 第二章 系统软硬件平台的介绍与搭建 | 第17-24页 |
| 2.1 系统所需开软硬件支持 | 第17-19页 |
| 2.1.1 关于Visual Studio 2013的简要介绍 | 第17页 |
| 2.1.2 关于Kinect for Windows SDK的简要介绍 | 第17-19页 |
| 2.2 Kinect API概况 | 第19-21页 |
| 2.3 两代Kinect对比 | 第21-22页 |
| 2.4 基于C | 第22-23页 |
| 2.5 实验流程(人物识别系统框架) | 第23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 基于Kinect的人物身份识别 | 第24-36页 |
| 3.1 骨骼数据获取及识别原理 | 第24-29页 |
| 3.1.1 骨骼数据的获取 | 第24-27页 |
| 3.1.2 骨骼识别和追踪原理 | 第27-29页 |
| 3.2 特征量的筛选和优化 | 第29-33页 |
| 3.2.1 支持向量机 | 第29-30页 |
| 3.2.2 基于改进型支持向量机(SVM)分类器提取特征量 | 第30-33页 |
| 3.3 Matlab仿真实验及实验结果分析 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于Kinect姿势识别控制家电 | 第36-42页 |
| 4.1 姿态识别原理 | 第36-37页 |
| 4.2 通过卧姿识别达到自动关灯的设计 | 第37页 |
| 4.3 利用Kinect Studio和Gesture Builder建立自定义姿势分类器 | 第37-40页 |
| 4.3.1 Kinect Studio收集视频样本 | 第37-38页 |
| 4.3.2 Visual Gesture Builder制作姿势识别分类器 | 第38-40页 |
| 4.4 姿势识别的设计及结果分析 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 智能家居系统的设计与实现 | 第42-50页 |
| 5.1 物联网简介 | 第42-43页 |
| 5.2 控制端的实现 | 第43-44页 |
| 5.3 服务器与客户端的设计 | 第44-49页 |
| 5.3.1 Socket服务器的搭建 | 第44-47页 |
| 5.3.2 安卓手机客户端的设计 | 第47-48页 |
| 5.3.3 WIFI无线通信模块 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 全文总结 | 第50页 |
| 6.2 后续工作 | 第50-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间发表论文情况 | 第58页 |
