步态周期检测方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题的背景及研究意义 | 第10-12页 |
| 1.2 步态周期检测技术概述 | 第12-14页 |
| 1.2.1 步态周期检测简介 | 第12-13页 |
| 1.2.2 步态周期检测研究现况 | 第13-14页 |
| 1.3 深度学习国内外研究现状 | 第14-16页 |
| 1.4 本文拟采用方法及章节安排 | 第16-18页 |
| 第2章 传统的步态周期检测方法 | 第18-52页 |
| 2.1 步态数据库介绍 | 第18-23页 |
| 2.1.1 现有的步态数据库 | 第19-23页 |
| 2.2 步态数据预处理 | 第23-27页 |
| 2.2.1 行人轮廓分离 | 第23-25页 |
| 2.2.2 行人轮廓归一化 | 第25-27页 |
| 2.3 传统方法实现 | 第27-38页 |
| 2.3.1 身体特征宽度 | 第27-33页 |
| 2.3.2 身体特征面积 | 第33-36页 |
| 2.3.3 模型拟合 | 第36-38页 |
| 2.4 评价指标的设计及传统方法的比较 | 第38-51页 |
| 2.5 本章小结 | 第51-52页 |
| 第3章 以分类方法为基础的深度学习周期检测 | 第52-72页 |
| 3.1 方法思路概述 | 第52-53页 |
| 3.2 卷积神经网络 | 第53-62页 |
| 3.2.1 卷积运算 | 第54-56页 |
| 3.2.2 池化 | 第56页 |
| 3.2.3 权值更新 | 第56-59页 |
| 3.2.4 实验网络模型 | 第59-62页 |
| 3.3 实验及结果分析 | 第62-71页 |
| 3.3.1 实验数据集 | 第62-64页 |
| 3.3.2 实验过程及结果 | 第64-66页 |
| 3.3.3 结果分析 | 第66-71页 |
| 3.4 本章小结 | 第71-72页 |
| 第4章 以回归方法为基础的深度学习周期检测 | 第72-90页 |
| 4.1 方法思路概述 | 第72-73页 |
| 4.2 网络模型与微调 | 第73-77页 |
| 4.3 实验过程及结果 | 第77-88页 |
| 4.3.1 数据集的建立 | 第77-79页 |
| 4.3.2 实验过程及结果 | 第79-85页 |
| 4.3.3 结果分析 | 第85-88页 |
| 4.4 本章小结 | 第88-90页 |
| 结论 | 第90-92页 |
| 参考文献 | 第92-98页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第98-100页 |
| 致谢 | 第100页 |
