基于人体步态远距离身份识别算法研究
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 第一章 绪论 | 第7-11页 |
| ·研究背景与意义 | 第7-8页 |
| ·研究现状分析 | 第8-9页 |
| ·研究现状概述 | 第8页 |
| ·步态识别中的几个问题 | 第8-9页 |
| ·步态识别技术的应用前景 | 第9页 |
| ·本文的主要研究工作 | 第9-10页 |
| ·论文的组织结构 | 第10-11页 |
| 第二章 步态识别算法概述 | 第11-20页 |
| ·步态识别算法流程图 | 第11页 |
| ·人体运动目标分割方法 | 第11-12页 |
| ·背景减除法 | 第11-12页 |
| ·帧间差分法 | 第12页 |
| ·光流法 | 第12页 |
| ·步态特征提取 | 第12-16页 |
| ·基于人体模型的方法 | 第13-14页 |
| ·基于运动模型的方法 | 第14页 |
| ·基于轮廓统计的方法 | 第14-16页 |
| ·分类器 | 第16-17页 |
| ·步态数据库 | 第17-18页 |
| ·算法性能评价标准 | 第18-20页 |
| 第三章 基于新时空融合的步态区域分割算法 | 第20-41页 |
| ·新时域分割(BAF算法) | 第21-24页 |
| ·背景减除法 | 第21-22页 |
| ·对称帧差法 | 第22-23页 |
| ·背景减除与对称帧差二值结果相加 | 第23-24页 |
| ·形态学后处理 | 第24-27页 |
| ·腐蚀 | 第24页 |
| ·膨胀 | 第24-25页 |
| ·开运算与闭运算 | 第25页 |
| ·边界提取 | 第25-26页 |
| ·图像连通处理 | 第26-27页 |
| ·空域分割 | 第27-37页 |
| ·空域内图像的分水岭算法分割 | 第27-33页 |
| ·空域内图像的小波分解 | 第33-36页 |
| ·空域内小波域下的分水岭算法分割 | 第36-37页 |
| ·时空融合 | 第37-38页 |
| ·实验分析与比较 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 基于改进C-V模型的步态轮廓提取新方法 | 第41-52页 |
| ·原始C-V模型简介 | 第41-46页 |
| ·M-S模型 | 第41页 |
| ·C-V模型(简化的M-S模型) | 第41-42页 |
| ·原始C-V模型的水平集表示 | 第42-44页 |
| ·传统C-V模型数值实现方案 | 第44-46页 |
| ·改进的C-V模型 | 第46-48页 |
| ·基于改进C-V模型的步态轮廓提取 | 第48页 |
| ·实验分析与比较 | 第48-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 基于多特征信息融合的步态识别算法 | 第52-62页 |
| ·步态特征提取及表示 | 第52页 |
| ·基于步态能量图(GEI)的步态识别算法 | 第52-54页 |
| ·步态能量图(GEI) | 第52-53页 |
| ·维数约简 | 第53-54页 |
| ·单一视角下的实验结果及分析 | 第54页 |
| ·基于Zernike矩特征提取的步态识别算法 | 第54-58页 |
| ·Zernike矩理论 | 第54-57页 |
| ·构造步态周期特征模板 | 第57-58页 |
| ·基于Zernike矩周期模板的特征提取 | 第58页 |
| ·单一视角下的实验结果及分析 | 第58页 |
| ·基于多特征在决策层的步态识别算法 | 第58-61页 |
| ·信息融合概述 | 第58-59页 |
| ·基于多特征在决策层的步态识别算法 | 第59-60页 |
| ·单一视角下的实验结果及分析 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间研究成果 | 第68-69页 |
