基于步态的目标识别技术的研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-24页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-21页 |
| 1.2.1 步态特征的特点与优势 | 第13页 |
| 1.2.2 步态前景提取算法 | 第13-16页 |
| 1.2.3 步态识别研究现状 | 第16-18页 |
| 1.2.4 深度学习算法研究现状 | 第18-19页 |
| 1.2.5 国内外主要步态数据库 | 第19-21页 |
| 1.3 本文的研究内容 | 第21-22页 |
| 1.4 本文的组织架构 | 第22-24页 |
| 2 图像预处理与步态周期检测 | 第24-36页 |
| 2.1 图像灰度化处理 | 第24-26页 |
| 2.2 基于高斯模型的步态前景提取 | 第26-29页 |
| 2.2.1 基于高斯模型背景建模 | 第26-28页 |
| 2.2.2 背景差分与二值化分割 | 第28-29页 |
| 2.3 步态图像后处理 | 第29-31页 |
| 2.3.1 图像形态学处理 | 第29-30页 |
| 2.3.2 基于人体模型的人影消除操作 | 第30-31页 |
| 2.4 步态周期检测 | 第31-34页 |
| 2.5 本章小结 | 第34-36页 |
| 3 基于VGG16网络的步态特征提取与识别 | 第36-62页 |
| 3.1 VGG16网络 | 第36-38页 |
| 3.2 基于卷积子网络的步态特征提取 | 第38-50页 |
| 3.2.1 卷积子网络卷积原理 | 第38-39页 |
| 3.2.2 步态特征提取 | 第39-45页 |
| 3.2.3 特征提取关键技术与优化 | 第45-50页 |
| 3.3 RPN子网络的优化与训练 | 第50-58页 |
| 3.3.1 RPN子网络候选区域的生成 | 第50-52页 |
| 3.3.2 RPN子网络的优化 | 第52-54页 |
| 3.3.3 RPN子网络的训练 | 第54-56页 |
| 3.3.4 ROI池化 | 第56-58页 |
| 3.4 基于Softmax分类器的步态分类与识别 | 第58-61页 |
| 3.4.1 步态分类 | 第58-60页 |
| 3.4.2 步态识别 | 第60-61页 |
| 3.5 本章小结 | 第61-62页 |
| 4 步态识别预警实验平台的设计与开发 | 第62-70页 |
| 4.1 步态识别预警实验平台的设计 | 第62-64页 |
| 4.2 步态识别预警实验平台的搭建 | 第64-67页 |
| 4.2.1 步态数据 | 第64页 |
| 4.2.2 深度学习框架的选择与搭建 | 第64-65页 |
| 4.2.3 系统与环境配置 | 第65-67页 |
| 4.2.4 样本制备小工具的开发 | 第67页 |
| 4.3 交互界面的设计与开发 | 第67-69页 |
| 4.4 本章小结 | 第69-70页 |
| 5 实验与分析 | 第70-86页 |
| 5.1 步态识别网络的训练 | 第70-74页 |
| 5.1.1 训练样本的选取与制备 | 第70-72页 |
| 5.1.2 训练结果与分析 | 第72-74页 |
| 5.2 测试与分析 | 第74-84页 |
| 5.2.1 测试样本的选取与制备 | 第74-76页 |
| 5.2.2 测试结果与分析 | 第76-83页 |
| 5.2.3 实验总结与应用说明 | 第83-84页 |
| 5.3 本章小结 | 第84-86页 |
| 6 总结与展望 | 第86-88页 |
| 6.1 总结 | 第86-87页 |
| 6.2 展望 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第92-96页 |
| 学位论文数据集 | 第96页 |
