基于特征融合和SVM的步态识别方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·引言 | 第10-11页 |
| ·步态识别研究内容 | 第11-13页 |
| ·研究现状分析 | 第13-14页 |
| ·步态识别技术的研究难点和发展趋势 | 第14-15页 |
| ·步态识别的研究意义 | 第15-16页 |
| ·论文的内容安排 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 第2章 步态识别研究概述 | 第18-28页 |
| ·人体运动分析方法 | 第18-21页 |
| ·运动目标检测 | 第18-19页 |
| ·人体目标跟踪 | 第19-21页 |
| ·步态识别的方法 | 第21-25页 |
| ·基于模型的步态识别方法 | 第21-23页 |
| ·非模型化的步态识别方法 | 第23-25页 |
| ·常用分类器 | 第25-26页 |
| ·基于距离的分类器 | 第25-26页 |
| ·神经网络分类器 | 第26页 |
| ·支持向量机 | 第26页 |
| ·本章小结 | 第26-28页 |
| 第3章 步态图像预处理 | 第28-39页 |
| ·自适应背景模型 | 第28-31页 |
| ·基本思想 | 第28-29页 |
| ·算法实现 | 第29-31页 |
| ·差值及二值化 | 第31-32页 |
| ·形态学处理 | 第32-34页 |
| ·轮廓提取 | 第34-36页 |
| ·图像归一化 | 第36-37页 |
| ·步态周期分析 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第4章 融合轮廓描绘子及人体角度特征的步态识别 | 第39-51页 |
| ·轮廓描绘子特征提取 | 第39-40页 |
| ·轮廓描绘子 | 第39页 |
| ·轮廓描绘子定义 | 第39-40页 |
| ·参数的取值问题 | 第40页 |
| ·下肢角度特征提取 | 第40-45页 |
| ·人体骨架的构建 | 第41页 |
| ·关节点的定位 | 第41-43页 |
| ·下肢角度计算 | 第43-45页 |
| ·信息融合技术 | 第45-48页 |
| ·信息融合概述 | 第45页 |
| ·信息融合在生物特征识别中的应用 | 第45-46页 |
| ·步态特征融合 | 第46-48页 |
| ·实验 | 第48-50页 |
| ·实验数据来源 | 第48页 |
| ·实验结果的评价指标 | 第48-49页 |
| ·实验过程 | 第49-50页 |
| ·实验分析 | 第50页 |
| ·本章小结 | 第50-51页 |
| 第5章 基于支持向量机的步态识别方法 | 第51-67页 |
| ·机器学习的基本方法 | 第51-53页 |
| ·机器学习问题的表示 | 第51-52页 |
| ·经验风险最小化原则 | 第52-53页 |
| ·模型复杂度与推广能力 | 第53页 |
| ·统计学习理论 | 第53-57页 |
| ·VC 维理论 | 第53-55页 |
| ·推广性的的界 | 第55页 |
| ·结构风险最小化 | 第55-57页 |
| ·支持向量机 | 第57-62页 |
| ·线性支持向量机 | 第57-60页 |
| ·非线性支持向量机 | 第60-62页 |
| ·支持向量机中的核函数 | 第62-64页 |
| ·核函数的本质 | 第62-63页 |
| ·核函数的分类 | 第63页 |
| ·混合核函数 | 第63-64页 |
| ·基于支持向量机的步态识别方法 | 第64-65页 |
| ·支持向量机的训练与测试 | 第64-65页 |
| ·SVM 的具体实现 | 第65页 |
| ·分类器参数的确定 | 第65页 |
| ·实验 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 作者简介 | 第74页 |
| 攻读硕士期间发表的论文和参加科研情况 | 第74-75页 |
