基于集成Gabor特征的步态识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 研究背景与意义 | 第8-12页 |
| 1.2 步态识别概述 | 第12-16页 |
| 1.2.1 步态识别国内外研究现状 | 第12-14页 |
| 1.2.2 步态识别框架 | 第14-16页 |
| 1.3 研究内容与目标 | 第16-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 第2章 步态检测与周期提取 | 第18-31页 |
| 2.1 步态视频图像采集 | 第18-19页 |
| 2.2 背景建模 | 第19-22页 |
| 2.2.1 帧间差分法 | 第19页 |
| 2.2.2 光流法 | 第19-20页 |
| 2.2.3 背景减除法 | 第20-22页 |
| 2.3 RGB转换HSV颜色模型 | 第22-23页 |
| 2.4 基于HSV颜色模型的阴影消除 | 第23-25页 |
| 2.5 图像二值化 | 第25页 |
| 2.6 中值法去噪及图像归一化 | 第25页 |
| 2.7 步态周期检测 | 第25-29页 |
| 2.7.1 基于面积的步态周期检测方法 | 第27-28页 |
| 2.7.2 基于边界框的步态周期检测方法 | 第28页 |
| 2.7.3 基于重心的步态周期检测方法 | 第28-29页 |
| 2.8 本章小结 | 第29-31页 |
| 第3章 基于集成Gabor特征的步态特征提取方法 | 第31-47页 |
| 3.1 步态特征提取 | 第31-34页 |
| 3.1.1 基于模型的特征提取 | 第32-33页 |
| 3.1.2 基于非模型的特征提取 | 第33-34页 |
| 3.2 步态能量图 | 第34-36页 |
| 3.3 Gabor小波变换 | 第36-38页 |
| 3.3.1 Gabor小波概述 | 第36-37页 |
| 3.3.2 Gabor滤波器的设计与实现 | 第37-38页 |
| 3.4 Gabor特征集成 | 第38-44页 |
| 3.4.1 均值融合 | 第39-40页 |
| 3.4.2 差分二值编码 | 第40-44页 |
| 3.5 特征融合 | 第44-45页 |
| 3.5.1 数据层融合 | 第44-45页 |
| 3.5.2 特征层融合 | 第45页 |
| 3.5.3 决策层融合 | 第45页 |
| 3.6 基于加权多特征融合方法 | 第45-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第4章 步态识别与实验结果分析 | 第47-57页 |
| 4.1 步态识别方法 | 第47-49页 |
| 4.1.1 模板匹配的分类方法 | 第47页 |
| 4.1.2 基于概率统计的分类方法 | 第47页 |
| 4.1.3 最近邻分类器 | 第47-48页 |
| 4.1.4 K近邻分类器 | 第48-49页 |
| 4.2 实验说明 | 第49-50页 |
| 4.3 实验结果与分析 | 第50-56页 |
| 4.3.1 步态检测 | 第50-51页 |
| 4.3.2 步态特征提取 | 第51-52页 |
| 4.3.3 特征选择方案筛选 | 第52-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 结论 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 在学研究成果 | 第61-62页 |
| 致谢 | 第62页 |
