基于特征融合和支持向量机的步态识别算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第1章 绪论 | 第9-12页 |
| ·研究背景和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·本文研究内容 | 第11-12页 |
| 第2章 步态识别理论 | 第12-18页 |
| ·生物特征识别技术 | 第12-14页 |
| ·虹膜识别 | 第12-13页 |
| ·人脸识别 | 第13页 |
| ·指纹识别 | 第13-14页 |
| ·步态识别 | 第14-15页 |
| ·步态识别的概念 | 第14-15页 |
| ·步态识别的应用 | 第15页 |
| ·步态识别的处理流程 | 第15-16页 |
| ·步态识别研究方法 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 第3章 支持向量机 | 第18-26页 |
| ·支持向量机的基础理论 | 第18-20页 |
| ·统计学习理论 | 第18-19页 |
| ·最优分类面 | 第19-20页 |
| ·核函数 | 第20页 |
| ·支持向量机的数学模型 | 第20-22页 |
| ·线性支持向量机 | 第20-21页 |
| ·非线性支持向量机 | 第21-22页 |
| ·支持向量机的训练算法 | 第22-23页 |
| ·分块法 | 第22-23页 |
| ·分解法 | 第23页 |
| ·增量法 | 第23页 |
| ·多分类支持向量机的构造 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第4章 基于空间特征和频率特征的步态识别 | 第26-46页 |
| ·步态图像预处理 | 第26-31页 |
| ·背景建模 | 第26-27页 |
| ·运动目标分割 | 第27-29页 |
| ·形态学处理 | 第29-31页 |
| ·步态图像空间特征的提取 | 第31-34页 |
| ·步态图像归一化处理 | 第31页 |
| ·基于等间距切割向量的步态特征表示 | 第31-34页 |
| ·基于傅里叶变换的步态图像频率特征提取 | 第34-36页 |
| ·傅里叶变换理论 | 第34-35页 |
| ·步态图像频率特征提取 | 第35-36页 |
| ·步态特征的融合 | 第36-38页 |
| ·特征融合概述 | 第36-37页 |
| ·空间特征和频率特征的融合 | 第37-38页 |
| ·分类识别 | 第38-39页 |
| ·训练 | 第38-39页 |
| ·分类器的选择 | 第39页 |
| ·实验结果及分析 | 第39-45页 |
| ·实验数据来源 | 第39-41页 |
| ·步态识别评价方法 | 第41-42页 |
| ·实验结果与分析 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 第5章 基于轮廓小波矩和腿部双三角特征的步态识别 | 第46-56页 |
| ·轮廓小波矩提取 | 第46-51页 |
| ·图像预处理 | 第46-48页 |
| ·轮廓小波矩计算 | 第48-51页 |
| ·腿部双三角特征提取 | 第51-53页 |
| ·关节位置的确定 | 第51-52页 |
| ·三角特征提取 | 第52-53页 |
| ·特征融合 | 第53-54页 |
| ·实验结果及分析 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 总结 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第64页 |
