基于SVM的步态识别研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-14页 |
| ·步态识别研究的背景及意义 | 第7-10页 |
| ·生物特征识别技术 | 第7-8页 |
| ·新兴的步态识别 | 第8-9页 |
| ·步态识别应用 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·步态识别研究内容 | 第11-12页 |
| ·运动分割 | 第11页 |
| ·特征提取 | 第11-12页 |
| ·模式分类 | 第12页 |
| ·本文研究内容和组织结构 | 第12-14页 |
| 第二章 步态识别方法研究 | 第14-20页 |
| ·运动目标检测 | 第14-15页 |
| ·背景差分 | 第14页 |
| ·帧间差分 | 第14-15页 |
| ·光流法 | 第15页 |
| ·特征提取 | 第15-18页 |
| ·基于模型的方法 | 第16页 |
| ·非模型化方法 | 第16-18页 |
| ·模式分类 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 步态运动分割及轮廓提取 | 第20-27页 |
| ·视频分割及背景提取 | 第20-22页 |
| ·视频分割 | 第20-21页 |
| ·背景建模及提取 | 第21-22页 |
| ·差影及二值化 | 第22-23页 |
| ·形态学处理 | 第23-25页 |
| ·膨胀 | 第23-24页 |
| ·腐蚀 | 第24页 |
| ·开运算和闭运算 | 第24-25页 |
| ·图像连通处理 | 第25页 |
| ·轮廓提取及跟踪 | 第25-26页 |
| ·轮廓图像的归一化 | 第26页 |
| ·本章小结 | 第26-27页 |
| 第四章 支持向量机原理 | 第27-34页 |
| ·统计学习理论 | 第27-28页 |
| ·SVM 基本原理 | 第28-29页 |
| ·SVM 的数学模型 | 第29-31页 |
| ·线性支持向量机 | 第29-30页 |
| ·非线性支持向量机 | 第30页 |
| ·线性不可分情况的处理 | 第30-31页 |
| ·SVM 的训练算法 | 第31-33页 |
| ·块算法 | 第31-32页 |
| ·分解算法 | 第32-33页 |
| ·增量算法 | 第33页 |
| ·本章小结 | 第33-34页 |
| 第五章 RFSBGR 步态识别方法 | 第34-41页 |
| ·步态特征分析与提取 | 第34-36页 |
| ·RFSBGR 步态识别 | 第36-37页 |
| ·训练 | 第36页 |
| ·SVM 分类器的设计 | 第36-37页 |
| ·实验结果与分析 | 第37-40页 |
| ·实验数据来源 | 第37-38页 |
| ·RFSBGR 实验结果与分析 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第六章 KSBGR 步态识别方法 | 第41-54页 |
| ·KPCA 基本原理 | 第41-43页 |
| ·核方法 | 第41页 |
| ·KPCA 基本原理 | 第41-43页 |
| ·基于KPCA 的步态特征分析与提取 | 第43-46页 |
| ·步态周期性 | 第43-45页 |
| ·步态特征分析与提取 | 第45-46页 |
| ·KSBGR 步态识别 | 第46-47页 |
| ·SVM 的训练与测试 | 第46-47页 |
| ·核函数及参数选择 | 第47页 |
| ·实验结果与分析 | 第47-53页 |
| ·KSBGR 实验结果与分析 | 第47-51页 |
| ·KSBGR 与VFSBGR 方法比较 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第七章 总结与展望 | 第54-56页 |
| ·总结 | 第54页 |
| ·展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第61页 |
