| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 行为特征表示方法研究 | 第11-12页 |
| 1.2.2 行为分类方法研究 | 第12-13页 |
| 1.2.3 基于Kinect的行为识别方法研究 | 第13页 |
| 1.3 本文研究内容及创新点 | 第13-15页 |
| 1.3.1 本文研究内容 | 第13-14页 |
| 1.3.2 创新点 | 第14-15页 |
| 1.4 论文章节安排 | 第15-16页 |
| 第二章 Kinect平台与数据分析 | 第16-30页 |
| 2.1 Kinect概述 | 第16-20页 |
| 2.1.1 Kinect硬件组成 | 第16-17页 |
| 2.1.2 Kinect工作原理 | 第17-19页 |
| 2.1.3 OpenNI框架与NITE组件 | 第19-20页 |
| 2.2 Kinect数据采集与分析 | 第20-23页 |
| 2.2.1 彩色图像 | 第20-21页 |
| 2.2.2 深度图像 | 第21-23页 |
| 2.3 人体骨骼关节点信息分析 | 第23-29页 |
| 2.3.1 关节点提取 | 第23-25页 |
| 2.3.2 关节点分析 | 第25-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 人体动作特征提取与描述 | 第30-46页 |
| 3.1 人体动作特征提取与描述基本思路 | 第30-31页 |
| 3.2 3D骨架特征的提取与描述 | 第31-38页 |
| 3.2.1 骨骼全局特征 | 第32-34页 |
| 3.2.2 手臂腿部局部特征 | 第34-37页 |
| 3.2.4 部分特征的归一化 | 第37-38页 |
| 3.3 HOG特征的提取与描述 | 第38-45页 |
| 3.3.1 HOG特征的基本思路 | 第38-43页 |
| 3.3.2 RGB&Depth&RGB_K&Depth_K的HOG特征 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于集成分类器的人体动作特征学习训练 | 第46-56页 |
| 4.1 特征机器学习 | 第46-49页 |
| 4.1.1 在线字典学习 | 第46-47页 |
| 4.1.2 SPCA特征降维 | 第47-49页 |
| 4.2 行为特征分类识别 | 第49-55页 |
| 4.2.1 多任务大边界最近邻与线性支持向量机的集成 | 第49-51页 |
| 4.2.2 其他特征分类方法 | 第51-55页 |
| 4.3 本章小结 | 第55-56页 |
| 第五章 实验系统与结果分析 | 第56-76页 |
| 5.1 实验系统 | 第56-59页 |
| 5.1.1 实验总体框架与环境 | 第56-58页 |
| 5.1.2 实验系统展示 | 第58-59页 |
| 5.2 实验结果与分析 | 第59-74页 |
| 5.2.1 3D骨骼数据实验结果与分析 | 第59-66页 |
| 5.2.2 HOG特征实验结果与分析 | 第66-69页 |
| 5.2.3 动作特征实验结果与分析 | 第69-74页 |
| 5.3 本章小结 | 第74-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 工作总结 | 第76-77页 |
| 6.2 工作展望 | 第77-78页 |
| 参考文献 | 第78-86页 |
| 附录:攻读硕士学位期间发表的论文和科研成果 | 第86-88页 |
| 致谢 | 第88页 |