基于自适应背景模型的步态识别
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·引言 | 第8-9页 |
| ·步态识别的研究内容 | 第9-10页 |
| ·步态识别的研究现状 | 第10-12页 |
| ·本文的主要工作和内容安排 | 第12-14页 |
| 第二章 背景建模及步态检测 | 第14-30页 |
| ·引言 | 第14页 |
| ·步态检测常用的方法 | 第14-15页 |
| ·基于中间值背景模型的步态检测 | 第15-18页 |
| ·中间值背景建模 | 第15-16页 |
| ·前景提取 | 第16-17页 |
| ·前景图像的二值化处理 | 第17-18页 |
| ·基于自适应背景模型的步态检测 | 第18-28页 |
| ·单高斯背景模型 | 第19-20页 |
| ·多高斯背景模型 | 第20-22页 |
| ·EM 算法原理[15] | 第22-24页 |
| ·自适应背景模型提取运动目标 | 第24-28页 |
| ·后处理 | 第28-29页 |
| ·小结 | 第29-30页 |
| 第三章 步态表征及特征提取 | 第30-44页 |
| ·引言 | 第30页 |
| ·步态表征 | 第30-32页 |
| ·结构表征方法 | 第30-31页 |
| ·非结构表征方法 | 第31-32页 |
| ·步态特征变换 | 第32-35页 |
| ·子空间变换法 | 第32-34页 |
| ·概率Hough 变换 | 第34-35页 |
| ·步态特征提取与表征 | 第35-43页 |
| ·人体外轮廓的表征 | 第35-37页 |
| ·步态序列的描述 | 第37-41页 |
| ·特征向量压缩 | 第41-43页 |
| ·小结 | 第43-44页 |
| 第四章 基于SVM 的多视角步态识别 | 第44-56页 |
| ·引言 | 第44-45页 |
| ·支持向量机原理 | 第45-51页 |
| ·支持向量机模型 | 第46-48页 |
| ·核函数及参数介绍 | 第48-49页 |
| ·用于多类分类的支持向量机 | 第49-50页 |
| ·支持向量机的应用 | 第50-51页 |
| ·SVM 的方法应用于步态识别 | 第51-53页 |
| ·SVM 的具体实现 | 第52页 |
| ·核函数和参数选择 | 第52-53页 |
| ·实验结果和数据分析 | 第53-55页 |
| ·实验数据 | 第53页 |
| ·实验结果 | 第53-54页 |
| ·实验数据分析 | 第54-55页 |
| ·小结 | 第55-56页 |
| 第五章 全文总结及展望 | 第56-58页 |
| ·总结 | 第56页 |
| ·下一步的工作 | 第56-58页 |
| 参考文献 | 第58-60页 |
| 攻读硕士学位期间发表的学术论文 | 第60-61页 |
| 致谢 | 第61页 |
