单目视频人体运动跟踪和获取技术研究
| 摘要 | 第1-10页 |
| 目录 | 第10-14页 |
| 第一章 绪论 | 第14-26页 |
| 1．1 研究背景 | 第15-16页 |
| 1．2 视频人体运动分析的应用 | 第16-19页 |
| 1．3 视频人体运动分析研究所面临的困难 | 第19-22页 |
| 1．4 研究内容和论文组织 | 第22-26页 |
| 1．4．1 本文的研究内容及贡献 | 第22-23页 |
| 1．4．2 本文的组织 | 第23-26页 |
| 第二章 人体运动跟踪和获取研究回顾 | 第26-48页 |
| 2．1 视频人体运动跟踪研究现状 | 第27-35页 |
| 2．1．1 单目视频中的人体运动跟踪研究 | 第28-33页 |
| 2．1．2 多目视频中的人体运动跟踪研究 | 第33-35页 |
| 2．2 视频人体运动获取研究回顾 | 第35-45页 |
| 2．2．1 多摄像机下的人体三维运动获取 | 第36-41页 |
| 2．2．2 单目视频下的人体运动获取 | 第41-45页 |
| 2．3 本文方法特点 | 第45-47页 |
| 2．4 本章小结 | 第47-48页 |
| 第三章 人体模型 | 第48-62页 |
| 3．1 常用的人体模型 | 第49-58页 |
| 3．1．1 二维棍状人体模型 | 第49-50页 |
| 3．1．2 二维轮廓人体模型 | 第50-51页 |
| 3．1．3 二维区域人体模型 | 第51-53页 |
| 3．1．4 三维棍状人体模型 | 第53-54页 |
| 3．1．5 三维几何体人体模型 | 第54-56页 |
| 3．1．6 三维面片人体模型 | 第56-58页 |
| 3．2 本文的人体模型 | 第58-61页 |
| 3．2．1 人体关节骨架模型 | 第58-60页 |
| 3．2．2 人体外观模型 | 第60-61页 |
| 3．3 本章小结 | 第61-62页 |
| 第四章 单目视频中无标记的人体运动跟踪 | 第62-90页 |
| 4．1 引言 | 第62-65页 |
| 4．2 人体运动跟踪概率框架 | 第65-68页 |
| 4．3 粒子滤波 | 第68-70页 |
| 4．4 Condensation算法 | 第70-73页 |
| 4．4．1 因子采样 | 第70-71页 |
| 4．4．2 Condensation算法 | 第71-73页 |
| 4．5 运动模型 | 第73-76页 |
| 4．5．1 常用运动模型 | 第73-75页 |
| 4．5．2 运动模型学习算法 | 第75-76页 |
| 4．6 观测模型 | 第76-78页 |
| 4．7 人体运动跟踪算法 | 第78-83页 |
| 4．7．1 算法总体思路 | 第78-79页 |
| 4．7．2 运动模型的学习 | 第79-80页 |
| 4．7．3 初始化 | 第80页 |
| 4．7．4 采样和预测 | 第80-81页 |
| 4．7．5 观测和重采样 | 第81页 |
| 4．7．6 完整的人体运动跟踪算法 | 第81-83页 |
| 4．8 实验结果和讨论 | 第83-88页 |
| 4．8．1 实验环境及结果 | 第83-85页 |
| 4．8．2 本文人体运动跟踪方法的优缺点 | 第85-88页 |
| 4．9 本章小结 | 第88-90页 |
| 第五章 人体三维运动的迭代优化估计 | 第90-112页 |
| 5．1 引言 | 第90-93页 |
| 5．2 人体骨架模型的个性化定制 | 第93-94页 |
| 5．3 投影模型 | 第94-96页 |
| 5．4 单帧中的参数估计 | 第96-100页 |
| 5．5 单帧优化 | 第100-102页 |
| 5．6 连续多帧迭代优化 | 第102-103页 |
| 5．7 人体运动序列的三维重建 | 第103页 |
| 5．8 单目视频中人体三维运动的迭代优化估计 | 第103-104页 |
| 5．9 系统及实验 | 第104-111页 |
| 5．9．1 视频人体运动获取系统 | 第104-105页 |
| 5．9．2 实验结果及分析 | 第105-111页 |
| 5．10 本章小结 | 第111-112页 |
| 第六章 结论和展望 | 第112-116页 |
| 6．1 本文工作总结 | 第112-113页 |
| 6．2 未来工作展望 | 第113-116页 |
| 参考文献 | 第116-126页 |
| 攻读博士学位期间发表和己接收的论文 | 第126-127页 |
| 致谢 | 第127页 |
