| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-13页 |
| 1.1 引言 | 第8页 |
| 1.2 运动捕捉技术简介 | 第8-9页 |
| 1.2.1 高精度运动捕捉系统 | 第8-9页 |
| 1.2.2 Kinect运动捕捉系统 | 第9页 |
| 1.3 人体动作识别技术简介 | 第9-11页 |
| 1.4 极限学习机简介 | 第11-12页 |
| 1.5 本文工作及组织结构 | 第12-13页 |
| 2 运动捕捉数据的表示及动作特征的提取 | 第13-20页 |
| 2.1 本文使用的数据集 | 第13-15页 |
| 2.1.1 MSR-Action3D数据集 | 第13-14页 |
| 2.1.2 HDM05数据集 | 第14-15页 |
| 2.2 两种动作特征提取算法 | 第15-19页 |
| 2.2.1 协方差描述符 | 第15-17页 |
| 2.2.2 方向位移直方图(HOD)描述符 | 第17-19页 |
| 2.3 本章小结 | 第19-20页 |
| 3 基于组合特征和极限学习机的动作识别 | 第20-29页 |
| 3.1 特征组合 | 第20页 |
| 3.2 极限学习机和基于投票的极限学习机 | 第20-24页 |
| 3.2.1 ELM基本算法 | 第21-23页 |
| 3.2.2 基于投票的ELM算法(V-ELM) | 第23-24页 |
| 3.3 实验及分析 | 第24-27页 |
| 3.3.1 在MSR-Action3D数据集上的实验 | 第24-26页 |
| 3.3.2 在HDM05数据集上的实验 | 第26-27页 |
| 3.4 本章小结 | 第27-29页 |
| 4 基于线性回归的ELM动作识别 | 第29-37页 |
| 4.1 线性回归及线性回归分类 | 第29-31页 |
| 4.1.1 线性回归的基本原理 | 第29-31页 |
| 4.1.2 线性回归分类器 | 第31页 |
| 4.2 基于线性回归的极限学习机 | 第31-32页 |
| 4.3 实验及分析 | 第32-36页 |
| 4.3.1 LR-ELM在MSR-Action3D数据集上的实验 | 第33-35页 |
| 4.3.2 LR-ELM在HDM05数据集上的实验 | 第35-36页 |
| 4.4 本章小结 | 第36-37页 |
| 5 基于稀疏表示的ELM动作识别 | 第37-43页 |
| 5.1 基于稀疏表示的分类器 | 第37-39页 |
| 5.2 基于稀疏表示的极限学习机 | 第39页 |
| 5.3 实验及分析 | 第39-42页 |
| 5.4 本章小结 | 第42-43页 |
| 6 基于Dropout学习策略的ELM动作识别 | 第43-51页 |
| 6.1 Dropout学习策略简介 | 第43-45页 |
| 6.2 Dropout模型描述 | 第45-46页 |
| 6.3 基于Dropout学习策略的极限学习机 | 第46-47页 |
| 6.4 实验及分析 | 第47-49页 |
| 6.5 本章小结 | 第49-51页 |
| 7 总结与展望 | 第51-53页 |
| 7.1 论文总结 | 第51-52页 |
| 7.2 未来工作展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 附录 | 第60页 |
