基于三维卷积神经网络步态识别方法的研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要工作 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 2 步态识别相关技术 | 第16-30页 |
| 2.1 步态目标检测 | 第16-17页 |
| 2.2 步态特征提取 | 第17-27页 |
| 2.2.1 神经网络 | 第18-20页 |
| 2.2.2 反向传播算法 | 第20-21页 |
| 2.2.3 卷积神经网络 | 第21-25页 |
| 2.2.4 迁移学习 | 第25-27页 |
| 2.3 步态分类 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 步态图像预处理 | 第30-37页 |
| 3.1 目标检测 | 第30-31页 |
| 3.2 步态图像形态学运算 | 第31-35页 |
| 3.2.1 膨胀和腐蚀 | 第32-33页 |
| 3.2.2 开运算和闭运算 | 第33-35页 |
| 3.3 步态图像连通性分析 | 第35页 |
| 3.4 边缘轮廓校正 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于3DCNN视角无关的步态识别方法 | 第37-50页 |
| 4.1 标准化步态轮廓图 | 第37-38页 |
| 4.2 提取步态特征 | 第38-42页 |
| 4.2.1 三维卷积神经网络 | 第38-39页 |
| 4.2.2 确定网络结构 | 第39-40页 |
| 4.2.3 学习网络模型 | 第40-41页 |
| 4.2.4 提取视角无关步态特征 | 第41-42页 |
| 4.3 相似性度量 | 第42页 |
| 4.4 实验及分析 | 第42-49页 |
| 4.4.1 数据集 | 第42-43页 |
| 4.4.2 微调网络 | 第43页 |
| 4.4.3 精细调整的有效性 | 第43-44页 |
| 4.4.4 标准化轮廓图的有效性 | 第44-45页 |
| 4.4.5 对比实验 | 第45-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 基于局部与全局特征融合的步态识别方法 | 第50-62页 |
| 5.1 局部与全局特征的特点 | 第50-51页 |
| 5.2 提取局部轮廓的步态特征 | 第51-52页 |
| 5.3 特征融合 | 第52-53页 |
| 5.4 提取主分量 | 第53-54页 |
| 5.5 分类器选择 | 第54-55页 |
| 5.6 实验及分析 | 第55-61页 |
| 5.6.1 特征融合的有效性 | 第55-56页 |
| 5.6.2 特征降维的有效性 | 第56页 |
| 5.6.3 对比实验 | 第56-61页 |
| 5.7 本章小结 | 第61-62页 |
| 6 结论 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第68-70页 |
| 学位论文数据集 | 第70页 |
