| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-22页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 跨视角步态识别研究现状 | 第13-18页 |
| 1.2.1 步态识别的发展与挑战 | 第13-15页 |
| 1.2.2 步态识别中的跨视角识别问题 | 第15-16页 |
| 1.2.3 跨视角步态识别方法的主要类型 | 第16-18页 |
| 1.3 特征子空间提取方法研究现状 | 第18-19页 |
| 1.4 本文的主要工作 | 第19-20页 |
| 1.5 论文结构安排 | 第20-22页 |
| 第二章 步态识别过程 | 第22-40页 |
| 2.1 步态轮廓提取 | 第23-24页 |
| 2.2 步态特征提取 | 第24-33页 |
| 2.2.1 步态特征构造 | 第25-32页 |
| 2.2.2 特征学习方法 | 第32-33页 |
| 2.3 分类识别 | 第33-35页 |
| 2.4 步态识别方法评价 | 第35-39页 |
| 2.4.1 步态数据库 | 第35-37页 |
| 2.4.2 性能评估指标 | 第37-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 基于耦合局部保持投影的跨视角步态识别 | 第40-55页 |
| 3.1 引言 | 第40-41页 |
| 3.2 基于距离度量的子空间学习 | 第41-44页 |
| 3.2.1 距离度量学习 | 第41-42页 |
| 3.2.2 基于距离度量的耦合投影子空间学习 | 第42-44页 |
| 3.3 基于耦合局部保持投影的子空间学习 | 第44-47页 |
| 3.4 基于耦合局部保持投影子空间的跨视角步态识别 | 第47-50页 |
| 3.4.1 识别流程 | 第47-48页 |
| 3.4.2 步态特征表示 | 第48-49页 |
| 3.4.3 特征学习与分类识别 | 第49-50页 |
| 3.5 实验 | 第50-54页 |
| 3.5.1 实验参数选择 | 第50页 |
| 3.5.2 CASIA-B数据库实验 | 第50-53页 |
| 3.5.3 USF数据集实验结果 | 第53-54页 |
| 3.5.4 运行时间对比分析 | 第54页 |
| 3.6 本章小结 | 第54-55页 |
| 第四章 基于多视角最大间隔子空间学习的跨视角步态识别 | 第55-71页 |
| 4.1 引言 | 第55页 |
| 4.2 多视角子空间学习 | 第55-58页 |
| 4.2.1 多视角典型相关分析 | 第56页 |
| 4.2.2 广义多视角分析 | 第56-57页 |
| 4.2.3 多视角判别分析 | 第57-58页 |
| 4.3 多视角最大间隔子空间学习 | 第58-63页 |
| 4.3.1 问题描述 | 第58-60页 |
| 4.3.2 形式化表示 | 第60-62页 |
| 4.3.3 时间复杂度分析 | 第62页 |
| 4.3.4 讨论 | 第62-63页 |
| 4.4 步态识别实验 | 第63-69页 |
| 4.4.1 实验设置 | 第63-64页 |
| 4.4.2 CASIA-B数据库上的实验 | 第64-68页 |
| 4.4.3 OU-ISIR-LP数据库上的实验 | 第68-69页 |
| 4.4.4 计算代价分析 | 第69页 |
| 4.5 本章小结 | 第69-71页 |
| 第五章 基于深度卷积神经网络特征子空间的跨视角步态识别 | 第71-95页 |
| 5.1 引言 | 第71页 |
| 5.2 深度卷积神经网络 | 第71-76页 |
| 5.2.1 深度学习简介 | 第72-74页 |
| 5.2.2 卷积神经网络 | 第74-75页 |
| 5.2.3 误差方向传播算法 | 第75-76页 |
| 5.3 基于深度卷积神经网络的步态分类 | 第76-83页 |
| 5.3.1 网络结构 | 第77-78页 |
| 5.3.2 训练细节 | 第78-79页 |
| 5.3.3 实验 | 第79-83页 |
| 5.4 大间距深度距离度量学习 | 第83-88页 |
| 5.4.1 深度距离度量学习 | 第83-84页 |
| 5.4.2 大间距深度距离度量学习 | 第84-85页 |
| 5.4.3 优化算法实现流程 | 第85-87页 |
| 5.4.4 相关深度度量学习方法比较 | 第87-88页 |
| 5.5 基于大间距深度距离度量学习的跨视角步态识别 | 第88-94页 |
| 5.5.1 基于LMDDML的步态特征子空间 | 第88-89页 |
| 5.5.2 实验 | 第89-94页 |
| 5.6 本章小结 | 第94-95页 |
| 第六章 总结与展望 | 第95-97页 |
| 6.1 论文总结 | 第95-96页 |
| 6.2 未来工作展望 | 第96-97页 |
| 参考文献 | 第97-110页 |
| 攻读学位期间的科研成果情况 | 第110-111页 |
| 致谢 | 第111-112页 |
