基于隐Markov模型的步态识别研究
| 第1章 绪论 | 第1-18页 |
| 1．1 引言 | 第10-11页 |
| 1．2 步态识别的研究内容 | 第11-12页 |
| 1．3 步态识别的研究现状 | 第12-17页 |
| 1．3．1 步态检测 | 第13-14页 |
| 1．3．2 步态表征 | 第14-15页 |
| 1．3．3 步态识别的方法 | 第15-17页 |
| 1．4 本文研究的主要内容 | 第17-18页 |
| 第2章 HMM基本理论及算法 | 第18-29页 |
| 2．1 引言 | 第18页 |
| 2．2 MARKOV模型 | 第18-19页 |
| 2．3 HMM基本思想 | 第19-21页 |
| 2．3．1 HMM基本概念 | 第19页 |
| 2．3．2 HMM的定义 | 第19-21页 |
| 2．4 HMM基本算法 | 第21-25页 |
| 2．4．1 前向-后向算法 | 第21-23页 |
| 2．4．2 Viterbi算法 | 第23-24页 |
| 2．4．3 Baum-Welch 算法 | 第24-25页 |
| 2．5 HMM的类型 | 第25-26页 |
| 2．5．1 按照观测变量分类 | 第25页 |
| 2．5．2 按照 Markov链形状分类 | 第25-26页 |
| 2．6 HMM在实际应用中的改进措施 | 第26-28页 |
| 2．7 HMM在步态识别中的可行性 | 第28页 |
| 2．8 本章小结 | 第28-29页 |
| 第3章 步态图像的预处理 | 第29-36页 |
| 3．1 引言 | 第29页 |
| 3．2 背景建模 | 第29-30页 |
| 3．3 前景区域检测 | 第30-31页 |
| 3．4 后处理 | 第31-35页 |
| 3．4．1 数学形态学及算法介绍 | 第32-35页 |
| 3．4．2 部分步态检测实验结果 | 第35页 |
| 3．5 本章小结 | 第35-36页 |
| 第4章 基于 HMM的特征提取和分类 | 第36-52页 |
| 4．1 引言 | 第36页 |
| 4．2 步态参数分析 | 第36-39页 |
| 4．3 步态特征提取 | 第39-42页 |
| 4．3．1 单个轮廓特征 | 第39-41页 |
| 4．3．2 步态序列特征 | 第41-42页 |
| 4．3．3 特征向量压缩 | 第42页 |
| 4．4 基于 CHMM步态识别 | 第42-49页 |
| 4．4．1 CHMM的参数表示 | 第43-44页 |
| 4．4．2 CHMM的训练算法存在的问题及改进 | 第44-46页 |
| 4．4．3 CHMM模型的训练过程 | 第46-48页 |
| 4．4．4 CHMM步态识别 | 第48-49页 |
| 4．5 实验结果 | 第49-50页 |
| 4．5．1 步态数据集 | 第49页 |
| 4．5．2 训练及测试 | 第49页 |
| 4．5．3 实验结果 | 第49-50页 |
| 4．6 本章小结 | 第50-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 攻读硕士学位期间发表的论文和取得的成果 | 第58-59页 |
| 致谢 | 第59页 |
