| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.2 研究内容 | 第12-15页 |
| 1.3 论文结构 | 第15-17页 |
| 第二章 步态识别相关技术综述 | 第17-29页 |
| 2.1 引言 | 第17-18页 |
| 2.2 步态识别国内外研究进展 | 第18-22页 |
| 2.2.1 步态识别数据库 | 第19-20页 |
| 2.2.3 步态识别方法分类 | 第20-22页 |
| 2.3 深度学习 | 第22-25页 |
| 2.3.1 BP神经网络基本原理 | 第23-24页 |
| 2.3.2 多层神经网络 | 第24页 |
| 2.3.3 深度卷积神经网络 | 第24-25页 |
| 2.4 距离度量学习 | 第25-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 基于传统卷积神经网络的步态识别技术 | 第29-39页 |
| 3.1 概述 | 第29-30页 |
| 3.2 步态能量图的生成 | 第30-31页 |
| 3.3 基于深度卷积神经网络的特征训练与提取 | 第31-33页 |
| 3.3.1 模型训练 | 第31-33页 |
| 3.3.2 特征与匹配 | 第33页 |
| 3.4 实验结果与分析 | 第33-37页 |
| 3.4.1 评测数据集 | 第34-35页 |
| 3.4.2 基于步态特征的性别分类 | 第35-36页 |
| 3.4.3 基于步态特征的身份识别 | 第36-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第四章 步态识别中的距离度量学习模型 | 第39-46页 |
| 4.1 概述 | 第39-40页 |
| 4.2 基于Siamese神经网络的步态识别技术 | 第40-42页 |
| 4.2.1 网络结构 | 第40-41页 |
| 4.2.2 训练和测试策略 | 第41-42页 |
| 4.3 实验结果与分析 | 第42-45页 |
| 4.3.1 相同视角下的身份识别 | 第43-44页 |
| 4.3.2 不同视角下的身份识别 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于时空联合深度神经网络的步态识别技术 | 第46-53页 |
| 5.1 概述 | 第46-47页 |
| 5.2 三维卷积神经网络 | 第47-50页 |
| 5.2.1 基于CNN的视频处理方法 | 第47-48页 |
| 5.2.2 基于三维卷积神经网络的步态序列特征提取 | 第48-50页 |
| 5.3 基于3D-Siamese网络的步态识别技术 | 第50-51页 |
| 5.3.1 特征训练 | 第50-51页 |
| 5.3.2 特征匹配与识别 | 第51页 |
| 5.4 实验结果与分析 | 第51-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第六章 结束语 | 第53-56页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-65页 |
| 致谢 | 第65-66页 |
| 参加科研及获奖情况说明 | 第66页 |