| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-18页 |
| 1.1 引言 | 第10-11页 |
| 1.2 研究背景和意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 主要研究内容 | 第14-16页 |
| 1.5 本文的结构安排 | 第16-18页 |
| 2 基于骨骼信息的特征值提取过程 | 第18-32页 |
| 2.1 Kinect 体感设备 | 第18-25页 |
| 2.1.1 Kinect 的硬件组成 | 第19-20页 |
| 2.1.2 Kinect 的主要功能参数 | 第20-22页 |
| 2.1.3 Kinect for Windows SDK 简介 | 第22-25页 |
| 2.2 动作特征值提取 | 第25-30页 |
| 2.2.1 骨骼数据获取 | 第25-28页 |
| 2.2.2 人体动作特征值的提取 | 第28-30页 |
| 2.3 本章小结 | 第30-32页 |
| 3 基于状态空间法的姿势识别过程 | 第32-50页 |
| 3.1 统计学习理论 | 第32-36页 |
| 3.1.1 机器学习模型 | 第32-34页 |
| 3.1.2 VC 维理论 | 第34-35页 |
| 3.1.3 结构风险最小化 | 第35-36页 |
| 3.2 支持向量机 | 第36-40页 |
| 3.2.1 SVM 基本原理 | 第36-39页 |
| 3.2.2 SVM 分类器 | 第39-40页 |
| 3.3 基于 SVM 的姿势识别过程 | 第40-46页 |
| 3.3.1 LibSVM 工具 | 第40-41页 |
| 3.3.2 样本训练及识别过程 | 第41-46页 |
| 3.4 结果与分析 | 第46-48页 |
| 3.5 本章小结 | 第48-50页 |
| 4 基于模板匹配法的动作识别过程 | 第50-64页 |
| 4.1 LCS 算法基本原理 | 第50-52页 |
| 4.2 LCS 算法解法 | 第52-54页 |
| 4.2.1 递归方法 | 第52-53页 |
| 4.2.2 动态编程方法 | 第53-54页 |
| 4.3 基于 LCS 的动作识别过程 | 第54-58页 |
| 4.4 结果与分析 | 第58-62页 |
| 4.5 本章小结 | 第62-64页 |
| 5 总结与展望 | 第64-66页 |
| 5.1 本文工作总结 | 第64-65页 |
| 5.2 未来的展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 个人简历、在学期间发表的学术论文 | 第70-71页 |