| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 常用缩略语简表 | 第9-14页 |
| 第1章 绪论 | 第14-32页 |
| 1.1 课题研究的背景、目的和意义 | 第14-15页 |
| 1.2 度量学习的研究现状 | 第15-24页 |
| 1.2.1 单集合度量学习的研究现状 | 第15-17页 |
| 1.2.2 多集合度量学习的研究现状 | 第17-22页 |
| 1.2.3 耦合距离度量学习 | 第22-24页 |
| 1.3 步态识别研究现状 | 第24-28页 |
| 1.3.1 步态识别简介 | 第24-26页 |
| 1.3.2 步态识别的难点 | 第26-28页 |
| 1.4 耦合距离度量学习在步态识别中的应用 | 第28-29页 |
| 1.5 本文主要内容与组织结构 | 第29-32页 |
| 第2章 基于线性变换的耦合距离度量学习 | 第32-53页 |
| 2.1 距离度量学习 | 第32-33页 |
| 2.2 耦合距离度量学习 | 第33-34页 |
| 2.3 已有的线性耦合距离度量学习方法 | 第34-37页 |
| 2.3.1 基于相似约束的耦合距离度量学习 | 第34-36页 |
| 2.3.2 判别耦合距离度量学习 | 第36-37页 |
| 2.4 基于可分性准则的耦合距离度量学习 | 第37-41页 |
| 2.4.1 基于距离的可分性准则 | 第37-38页 |
| 2.4.2 基于可分性准则的耦合距离度量学习算法 | 第38-41页 |
| 2.5 基于线性变换的改进策略 | 第41-45页 |
| 2.5.1 基于K-L变换的耦合距离度量学习 | 第42页 |
| 2.5.2 基于子模式的耦合距离度量学习 | 第42-43页 |
| 2.5.3 二维耦合距离度量学习 | 第43-45页 |
| 2.6 在步态识别上的实验结果与分析 | 第45-52页 |
| 2.6.1 不同分辨率的步态识别实验 | 第46-49页 |
| 2.6.2 不同视角的步态识别实验 | 第49-52页 |
| 2.7 本章小结 | 第52-53页 |
| 第3章 基于核变换的非线性耦合距离度量学习 | 第53-62页 |
| 3.1 耦合距离度量学习的非线性扩展分析 | 第53-54页 |
| 3.2 核方法简介 | 第54页 |
| 3.3 核耦合距离度量学习 | 第54-56页 |
| 3.4 核函数的选取 | 第56-57页 |
| 3.5 在步态识别上的实验结果与分析 | 第57-61页 |
| 3.5.1 不同分辨率的步态识别实验 | 第57-58页 |
| 3.5.2 不同视角的步态识别实验 | 第58-59页 |
| 3.5.3 不同状态的步态识别实验 | 第59-61页 |
| 3.6 本章小结 | 第61-62页 |
| 第4章 基于监督信息扩展的耦合距离度量学习 | 第62-75页 |
| 4.1 基于图的半监督学习 | 第62-63页 |
| 4.2 基于近邻图的耦合距离度量学习 | 第63-67页 |
| 4.2.1 基于近邻图的半监督耦合距离度量学习 | 第64-65页 |
| 4.2.2 基于近邻图的有监督耦合距离度量学习 | 第65-67页 |
| 4.3 基于l_1-图的耦合距离度量学习 | 第67-70页 |
| 4.3.1 基于l_1—图的半监督耦合距离度量学习 | 第67-69页 |
| 4.3.2 基于l_1—图的有监督耦合距离度量学习 | 第69-70页 |
| 4.4 基于两种图相融合的耦合距离度量学习 | 第70页 |
| 4.5 实验结果与分析 | 第70-74页 |
| 4.5.1 半监督耦合距离度量学习的识别性能 | 第70-73页 |
| 4.5.2 有监督耦合距离度量学习的识别性能 | 第73-74页 |
| 4.6 本章小结 | 第74-75页 |
| 第5章 基于耦合距离度量学习的特征级融合 | 第75-86页 |
| 5.1 数据融合简述 | 第75-77页 |
| 5.1.1 数据级融合 | 第75-76页 |
| 5.1.2 特征级融合 | 第76页 |
| 5.1.3 决策级融合 | 第76-77页 |
| 5.2 特征级的融合策略 | 第77页 |
| 5.3 基于典型相关分析的特征级融合 | 第77-78页 |
| 5.4 基于耦合距离度量学习的特征级融合 | 第78-80页 |
| 5.4.1 基于特征均值的特征级融合 | 第78-79页 |
| 5.4.2 基于数据集合并的特征级融合 | 第79-80页 |
| 5.5 多级的特征级融合策略 | 第80-81页 |
| 5.6 实验结果与分析 | 第81-85页 |
| 5.6.1 基于特征均值的特征级融合 | 第81-82页 |
| 5.6.2 基于数据集合并的特征级融合 | 第82-84页 |
| 5.6.3 多级特征级融合 | 第84-85页 |
| 5.7 本章小结 | 第85-86页 |
| 第6章 基于耦合距离度量学习的步态识别系统 | 第86-105页 |
| 6.1 步态识别系统流程 | 第86-87页 |
| 6.2 运动检测 | 第87-90页 |
| 6.2.1 码本背景模型简介 | 第87页 |
| 6.2.2 基于码本模型的背景检测 | 第87-88页 |
| 6.2.3 人体目标提取 | 第88-90页 |
| 6.3 周期检测 | 第90-96页 |
| 6.3.1 步态周期检测概述 | 第90-91页 |
| 6.3.2 正面步态的人体运动分析 | 第91页 |
| 6.3.3 基于上肢摆动的正面步态周期检测 | 第91-93页 |
| 6.3.4 基于下肢前后运动的正面步态周期检测 | 第93-94页 |
| 6.3.5 基于四肢运动的正面步态周期检测 | 第94-96页 |
| 6.4 基于耦合距离度量学习的特征提取 | 第96-98页 |
| 6.4.1 基于耦合距离度量学习的特征提取过程 | 第96-98页 |
| 6.4.2 基于耦合距离度量学习的特征提取的优点 | 第98页 |
| 6.5 识别算法 | 第98-99页 |
| 6.6 实验结果与分析 | 第99-104页 |
| 6.6.1 实验设置 | 第99-100页 |
| 6.6.2 系统的存储空间 | 第100页 |
| 6.6.3 系统的识别性能 | 第100-104页 |
| 6.7 本章小结 | 第104-105页 |
| 结论 | 第105-107页 |
| 参考文献 | 第107-119页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第119-120页 |
| 致谢 | 第120页 |