| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 视频图像步态识别简介 | 第11-12页 |
| 1.2 步态识别的理论依据和发展状况 | 第12-14页 |
| 1.3 论文的组织结构 | 第14-17页 |
| 第2章 动态视频人体步态识别技术 | 第17-25页 |
| 2.1 步态识别系统开发平台 | 第17-18页 |
| 2.2 运动前景目标提取技术 | 第18-20页 |
| 2.2.1 背景差分法 | 第19页 |
| 2.2.2 帧间差分法 | 第19页 |
| 2.2.3 光流法 | 第19-20页 |
| 2.3 步态特征提取技术 | 第20-23页 |
| 2.3.1 基于模型的方法 | 第20-21页 |
| 2.3.2 基于统计的方法 | 第21-23页 |
| 2.4 运动目标步态分类识别技术 | 第23-24页 |
| 2.4.1 近邻分类器 | 第23页 |
| 2.4.2 神经网络分类器 | 第23-24页 |
| 2.4.3 HMM分类器 | 第24页 |
| 2.4.4 分类器 | 第24页 |
| 2.4.5 贝叶斯分类器 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 运动前景目标提取算法设计 | 第25-41页 |
| 3.1 运动目标分割 | 第25-30页 |
| 3.1.1 动态背景的建模 | 第26-27页 |
| 3.1.2 特定阈值下的图像差分 | 第27-29页 |
| 3.1.3 基于投影法的前景目标分割 | 第29-30页 |
| 3.2 二值图像标准化处理 | 第30-35页 |
| 3.2.1 图像归一化处理 | 第31-32页 |
| 3.2.2 图像连通性优化处理 | 第32-34页 |
| 3.2.3 椒盐噪声降噪处理 | 第34-35页 |
| 3.3 改进邻域矩阵骨骼化算法 | 第35-38页 |
| 3.4 本章小结 | 第38-41页 |
| 第4章 步态特征提取算法设计 | 第41-61页 |
| 4.1 运动人体模型设计 | 第41-43页 |
| 4.2 人工神经网络分析 | 第43-44页 |
| 4.3 基于Hopfield神经网络的人体关节信息提取 | 第44-49页 |
| 4.3.1 Hopfield神经网络分析 | 第45-46页 |
| 4.3.2 信息提取Hopfield神经网络设计 | 第46-48页 |
| 4.3.3 信息提取Hopfield神经网络性能测试 | 第48-49页 |
| 4.4 基于BP神经网络的人体关节信息模型匹配 | 第49-56页 |
| 4.4.1 BP神经网络分析 | 第49-54页 |
| 4.4.2 模型匹配BP神经网络设计 | 第54-56页 |
| 4.4.3 模型匹配BP神经网络性能测试 | 第56页 |
| 4.5 步态特征向量组傅里叶描述子 | 第56-59页 |
| 4.6 本章小结 | 第59-61页 |
| 第5章 步态特征分类识别算法设计 | 第61-71页 |
| 5.1 分类器的性能分析 | 第61页 |
| 5.2 KNN识别算法研究 | 第61-64页 |
| 5.2.1 样本相似度计算 | 第61-62页 |
| 5.2.2 KNN算法分析 | 第62-64页 |
| 5.3 基于Mean Shift投影的KNN算法改进 | 第64-69页 |
| 5.3.1 投影寻踪理论 | 第65页 |
| 5.3.2 Mean Shift算法 | 第65-67页 |
| 5.3.3 KNN算法的改进 | 第67-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第6章 实验系统开发及结果分析 | 第71-83页 |
| 6.1 数据库建立和组织 | 第71页 |
| 6.2 实验条件 | 第71-72页 |
| 6.2.1 实验操作系统 | 第71-72页 |
| 6.2.2 系统开发平台 | 第72页 |
| 6.3 实验系统实现 | 第72-74页 |
| 6.4 实验分析 | 第74-81页 |
| 6.4.1 实验流程设计 | 第74-75页 |
| 6.4.2 部分实验结果 | 第75-78页 |
| 6.4.3 步态识别系统性能测试 | 第78-81页 |
| 6.5 本章小结 | 第81-83页 |
| 第7章 总结与展望 | 第83-85页 |
| 7.1 总结 | 第83-84页 |
| 7.2 展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89页 |
