| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-16页 |
| ·生物特征识别技术 | 第8-9页 |
| ·基于步态的生物特征识别技术 | 第9-13页 |
| ·步态识别的研究条件以及分析过程 | 第10-12页 |
| ·步态识别的发展现状以及应用前景 | 第12-13页 |
| ·本文的主要工作和内容安排 | 第13-16页 |
| 第二章 支持向量机理论 | 第16-30页 |
| ·机器学习的基本问题 | 第17-19页 |
| ·问题的表示 | 第17-18页 |
| ·经验风险最小化 | 第18页 |
| ·复杂性与推广能力 | 第18-19页 |
| ·统计学习理论的核心内容-支持向量机的研究背景 | 第19-22页 |
| ·VC 维 | 第19-20页 |
| ·推广性的界 | 第20页 |
| ·结构风险最小化 | 第20-22页 |
| ·支持向量机 | 第22-27页 |
| ·最优分类面 | 第22-24页 |
| ·广义最优分类面 | 第24-25页 |
| ·支持向量机 | 第25-27页 |
| ·内积函数 | 第27-28页 |
| ·用支持向量机构造多类分类器 | 第28-30页 |
| 第三章 基于步态能量图像的主成分分析 | 第30-40页 |
| ·步态图像数据库介绍 | 第30-32页 |
| ·步态能量图像概念 | 第32-35页 |
| ·图像的归一化和校正 | 第32页 |
| ·步态能量图像 | 第32-35页 |
| ·主成分分析 | 第35-40页 |
| 第四章 基于步态能量图像的核主成分分析 | 第40-46页 |
| ·核主成分分析 | 第41-44页 |
| ·核主成分分析的特性 | 第44-46页 |
| 第五章 实验 | 第46-58页 |
| ·基于步态能量图像的主成分分析方法实验 | 第46-49页 |
| ·基于步态能量图像的核主成分分析方法实验 | 第49-53页 |
| ·步态能量图的主元分析与核主元分析比较 | 第53-54页 |
| ·核函数和核参数的选取对分类性能的影响分析 | 第54-56页 |
| ·基于KPCA 与FISHER 线性判别的特征提取方法 | 第56-58页 |
| 总结和展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 作者在读期间的研究成果 | 第66页 |