| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题研究的背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 人机交互的发展现状 | 第12-14页 |
| 1.2.2 人体姿势识别的研究现状 | 第14-16页 |
| 1.2.3 基于Kinect的人体姿势识别在医疗领域研究现状 | 第16-18页 |
| 1.3 本文的主要研究内容和结构安排 | 第18-21页 |
| 1.3.1 本文的主要研究内容 | 第18-19页 |
| 1.3.2 本文的结构安排 | 第19-21页 |
| 第2章 Kinect技术及人体姿势识别方法 | 第21-35页 |
| 2.1 引言 | 第21页 |
| 2.2 Kinect技术及人体姿势识别方法 | 第21-27页 |
| 2.2.1 Kinect硬件系统 | 第21-22页 |
| 2.2.2 Kinect软件系统 | 第22-23页 |
| 2.2.3 Kinect深度图像获取原理 | 第23-24页 |
| 2.2.4 Kinect关节点数据获取原理 | 第24-27页 |
| 2.3 人体姿势识别方法 | 第27-34页 |
| 2.3.1 基于模板匹配方法 | 第27-28页 |
| 2.3.2 基于概率统计学的方法 | 第28-30页 |
| 2.3.3 基于机器学习的方法 | 第30-31页 |
| 2.3.4 基于关节点角度值的姿势识别方法 | 第31-34页 |
| 2.4. 本章小结 | 第34-35页 |
| 第3章 基于关节点向量方向角度的人体姿势识别方法 | 第35-51页 |
| 3.1 引言 | 第35页 |
| 3.2 人体姿势识别系统框架 | 第35-36页 |
| 3.3 姿势特征向量提取 | 第36-41页 |
| 3.3.1 姿势特征向量提取思路 | 第36-37页 |
| 3.3.2 人体结构特征向量选取 | 第37-38页 |
| 3.3.3 人体姿势特征向量选取 | 第38-39页 |
| 3.3.4 基于方向角度特征的人体姿势表示方法 | 第39-41页 |
| 3.4 BP神经网络的训练与测试识别 | 第41-50页 |
| 3.4.1 BP神经网络在姿势识别的应用 | 第41页 |
| 3.4.2 BP神经网络的原理 | 第41-46页 |
| 3.4.3 BP神经网络的优缺点 | 第46-48页 |
| 3.4.4 BP神经网络的构造 | 第48-49页 |
| 3.4.5 BP神经网络分类器的构建 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 基于Kinect的康复训练平台搭建 | 第51-65页 |
| 4.1 引言 | 第51页 |
| 4.2 实验平台设计目的 | 第51页 |
| 4.3 基于Kinect的康复训练平台搭建的思路 | 第51-53页 |
| 4.4 实验平台的设计与实现 | 第53-64页 |
| 4.4.1 实验平台的软硬件环境 | 第53页 |
| 4.4.2 实验平台的功能模块设计 | 第53-60页 |
| 4.4.3 实验平台的程序界面设计 | 第60-61页 |
| 4.4.4 实验平台的人机交互设计 | 第61-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 姿势识别的实验与分析 | 第65-73页 |
| 5.1 引言 | 第65页 |
| 5.2 人体姿势样本库的建立 | 第65-67页 |
| 5.2.1 人体姿势样本库建立的条件 | 第65-66页 |
| 5.2.2 人体姿势样本库的建立 | 第66-67页 |
| 5.3 BP神经网络的训练与测试识别实验 | 第67-71页 |
| 5.3.1 BP神经网络的训练与测试识别实验 | 第67-70页 |
| 5.3.2 其他算法实验结果的比较与分析 | 第70-71页 |
| 5.4 实验平台性能的测试 | 第71-72页 |
| 5.4.1 在线实验 | 第71页 |
| 5.4.2 在线实验分析 | 第71-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81页 |