| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 论文主要工作 | 第15-16页 |
| 1.4 论文组织架构 | 第16-18页 |
| 第二章 识别流程及识别系统模型 | 第18-24页 |
| 2.1 人体姿势识别流程 | 第18-20页 |
| 2.2 识别系统模型 | 第20-22页 |
| 2.2.1 软件无线电平台 | 第20-21页 |
| 2.2.2 帧结构分析 | 第21-22页 |
| 2.3 本章小结 | 第22-24页 |
| 第三章 数据及特征处理 | 第24-36页 |
| 3.1 数据采集及预处理 | 第24-26页 |
| 3.1.1 实验场景及数据采集 | 第24-25页 |
| 3.1.2 数据归一化处理 | 第25页 |
| 3.1.3 数据去噪处理 | 第25-26页 |
| 3.2 特征分析及提取 | 第26-33页 |
| 3.2.1 特征分析 | 第26-29页 |
| 3.2.2 时域特征提取 | 第29-30页 |
| 3.2.3 频域特征提取 | 第30页 |
| 3.2.4 时频域特征提取 | 第30-33页 |
| 3.3 特征选择 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于Adaboost的人体姿势识别方法研究 | 第36-46页 |
| 4.1 集成学习概述 | 第36-37页 |
| 4.2 Adaboost算法原理 | 第37-38页 |
| 4.3 Adaboost算法分析 | 第38-40页 |
| 4.4 基于Adaboost的人体姿势识别方法验证 | 第40-45页 |
| 4.4.1 算法有效性验证 | 第40-42页 |
| 4.4.2 算法停止条件设置 | 第42-43页 |
| 4.4.3 Adaboost方法与SVM的对比 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 基于XGBoost的人体姿势识别方法研究 | 第46-58页 |
| 5.1 XGBoost算法原理 | 第46-48页 |
| 5.2 XGBoost算法分析 | 第48-50页 |
| 5.3 XGBoost模型参数及优化 | 第50-52页 |
| 5.4 基于XGBboost的人体姿势识别方法验证 | 第52-57页 |
| 5.4.1 算法有效性验证 | 第52-53页 |
| 5.4.2 基于XGboost方法的特征提取 | 第53-55页 |
| 5.4.3 算法时间消耗 | 第55-56页 |
| 5.4.4 算法参数优化 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-62页 |
| 6.1 本文主要成果 | 第58-59页 |
| 6.2 研究展望 | 第59-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间取得的研究成果 | 第68页 |
