| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的研究内容及创新点 | 第11-12页 |
| 1.4 本文的结构安排 | 第12-13页 |
| 第2章 基于人体关节点的行为识别方法 | 第13-23页 |
| 2.1 Kinect 工作原理 | 第13-16页 |
| 2.1.1 Kinect 平台介绍 | 第13-14页 |
| 2.1.2 Kinect 获取人体三维关节点数据的原理 | 第14-16页 |
| 2.2 人体姿态特征提取 | 第16-20页 |
| 2.2.1 关节角度的定义和计算 | 第17-19页 |
| 2.2.2 关节点相对距离系数计算 | 第19-20页 |
| 2.3 人体姿态表示 | 第20-21页 |
| 2.4 行为识别方法 | 第21-22页 |
| 2.4.1 人体行为识别方法 | 第21页 |
| 2.4.2 人体行为识别方法选择 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于人体姿态静态保持模型的人体行为识别 | 第23-36页 |
| 3.1 人体姿态的静态保持模型 | 第23-26页 |
| 3.1.1 典型静态姿态的划分和定义原则 | 第23-24页 |
| 3.1.2 人体姿态静态保持模型的定义 | 第24-25页 |
| 3.1.3 包含典型静态姿态的判据 | 第25-26页 |
| 3.2 典型静态姿态的决策树模型 | 第26-29页 |
| 3.2.1 决策树算法 | 第26-27页 |
| 3.2.2 典型静态姿态决策树的建立 | 第27-29页 |
| 3.3 基于人体姿态静态保持模型的人体行为识别 | 第29-30页 |
| 3.4 实验结果及分析 | 第30-35页 |
| 3.4.1 离线学习实验 | 第30-32页 |
| 3.4.2 含有典型静态姿态的行为识别实验 | 第32-35页 |
| 3.4.3 不同算法实验结果对比 | 第35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于改进相似性判决参数的动态动作识别 | 第36-48页 |
| 4.1 动态动作识别的特征参数 | 第36-39页 |
| 4.2 基于 DTW 和 KNN 算法改进的相似性判决参数 | 第39-44页 |
| 4.2.1 DTW 算法原理 | 第39-42页 |
| 4.2.2 KNN 分类算法 | 第42-43页 |
| 4.2.3 改进的相似性判决参数 | 第43-44页 |
| 4.3 基于改进相似性判决参数的动态动作识别算法 | 第44页 |
| 4.4 实验结果与分析 | 第44-47页 |
| 4.4.1 动态动作识别实验 | 第44-45页 |
| 4.4.2 不同算法实验结果对比 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 附录1 攻读硕士学位期间取得的学术成果 | 第54-55页 |
| 详细摘要 | 第55-59页 |