| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 课题研究背景及意义 | 第8-10页 |
| 1.2 课题的研究现状 | 第10-15页 |
| 1.2.1 基于视频图像的视觉步态识别技术 | 第10-11页 |
| 1.2.2 基于足底压力信息的触觉步态识别技术 | 第11-13页 |
| 1.2.3 深度学习算法的发展及其在图像识别领域的应用 | 第13-15页 |
| 1.3 本文的研究内容与组织结构 | 第15-17页 |
| 1.3.1 本文研究内容 | 第15-16页 |
| 1.3.2 论文组织结构 | 第16-17页 |
| 第二章 足底压力数据的采集与预处理 | 第17-30页 |
| 2.1 国内外步态数据库的基本概况 | 第17-20页 |
| 2.2 数据采集设备及采集流程 | 第20-27页 |
| 2.2.1 采集设备 | 第20-23页 |
| 2.2.2 采集流程 | 第23-27页 |
| 2.3 本文数据库情况及数据预处理 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 卷积神经网络 | 第30-40页 |
| 3.1 卷积神经网络模型 | 第30-33页 |
| 3.2 卷积神经网络的特点及训练过程 | 第33-34页 |
| 3.2.1 卷积神经网络的特点 | 第33-34页 |
| 3.2.2 卷积神经网络的训练过程 | 第34页 |
| 3.3 基于足底区域划分的卷积神经网络模型 | 第34-39页 |
| 3.3.1 足底区域划分 | 第35-36页 |
| 3.3.2 基于区域划分的卷积神经网络模型 | 第36-37页 |
| 3.3.3 基于R-CNN模型的步态识别 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于卷积神经网络的步态识别 | 第40-50页 |
| 4.1 基于S-CNN模型的步态识别 | 第40-45页 |
| 4.1.1 用于卷积特征学习的k均值聚类法 | 第41-42页 |
| 4.1.2 基于S-CNN的步态识别步骤 | 第42-44页 |
| 4.1.3 静态数据识别结果分析 | 第44页 |
| 4.1.4 动态数据识别结果分析 | 第44-45页 |
| 4.2 基于D-CNN模型的步态识别 | 第45-49页 |
| 4.2.1 D-CNN特征的训练步骤 | 第46页 |
| 4.2.2 D-CNN特征识别结果分析 | 第46-47页 |
| 4.2.3 对比实验结果与分析 | 第47-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间发表的论文和参加的科研项目 | 第57页 |