基于SVM和DSW的列质量向量特征步态识别方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-10页 |
| 1.1 步态识别的背景及研究意义 | 第7页 |
| 1.2 步态识别的研究现状 | 第7-8页 |
| 1.3 本论文的研究内容及结构安排 | 第8-10页 |
| 1.3.1 本论文的主要研究内容 | 第8页 |
| 1.3.2 本论文的结构安排 | 第8-10页 |
| 第二章 步态识别方法概述 | 第10-17页 |
| 2.1 轮廓提取 | 第10-12页 |
| 2.1.1 背景减除法 | 第10页 |
| 2.1.2 帧间差分法 | 第10-11页 |
| 2.1.3 光流法 | 第11-12页 |
| 2.2 特征提取 | 第12页 |
| 2.3 特征处理 | 第12-14页 |
| 2.3.1 主成分分析 | 第12-13页 |
| 2.3.2 线性判别分析 | 第13-14页 |
| 2.4 模式分类 | 第14-16页 |
| 2.4.1 最近邻分类法 | 第14页 |
| 2.4.2 隐马尔可夫模型 | 第14-15页 |
| 2.4.3 支持向量机 | 第15-16页 |
| 2.4.4 BP神经网络 | 第16页 |
| 2.5 小结 | 第16-17页 |
| 第三章 列质量特征提取 | 第17-23页 |
| 3.1 预处理 | 第17-18页 |
| 3.2 步态周期 | 第18-19页 |
| 3.3 活动能量图 | 第19-21页 |
| 3.4 列质量向量 | 第21页 |
| 3.5 列质量向量提取过程 | 第21-22页 |
| 3.6 本章小结 | 第22-23页 |
| 第四章SVM的列质量特征步态识别 | 第23-32页 |
| 4.1 支持向量机识别方法 | 第23-25页 |
| 4.1.1 支持向量机的原理 | 第23页 |
| 4.1.2 核函数 | 第23-24页 |
| 4.1.3 SVM识别方法 | 第24-25页 |
| 4.2 步态识别实验 | 第25-31页 |
| 4.2.1 实验数据库和平台 | 第25页 |
| 4.2.2 仿真实验 | 第25-27页 |
| 4.2.3 SVM的分类识别 | 第27-30页 |
| 4.2.4 实验结果及分析 | 第30-31页 |
| 4.3 小结 | 第31-32页 |
| 第五章DSW的列质量特征步态识别 | 第32-39页 |
| 5.1 动态空间规划的识别方法 | 第32-34页 |
| 5.1.1 模板匹配基本原理 | 第32-33页 |
| 5.1.2 动态规整 | 第33-34页 |
| 5.2 步态识别实验 | 第34-37页 |
| 5.2.1 仿真实验 | 第34页 |
| 5.2.2 步态序列间的失真度 | 第34-35页 |
| 5.2.3 DSW的分类识别 | 第35-36页 |
| 5.2.4 实验结果及分析 | 第36-37页 |
| 5.3 实验对比 | 第37-38页 |
| 5.4 本章小结 | 第38-39页 |
| 第六章 总结与展望 | 第39-40页 |
| 参考文献 | 第40-44页 |
| 致谢 | 第44-45页 |
| 在读期间发表的学术论文与取得的研究成果 | 第45页 |
