基于卷积神经网络和类能量图的步态识别研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的背景及研究意义 | 第10-11页 |
| 1.2 课题研究的国内外现状 | 第11-13页 |
| 1.3 步态识别研究的难点 | 第13页 |
| 1.4 论文主要研究内容及章节安排 | 第13-16页 |
| 第2章 深度学习与卷积神经网络 | 第16-24页 |
| 2.1 深度学习及其实验环境 | 第16-17页 |
| 2.1.1 深度学习的发展 | 第16页 |
| 2.1.2 深度学习实验环境的搭建 | 第16-17页 |
| 2.2 卷积神经网络结构 | 第17-20页 |
| 2.3 卷积神经网络经典网络模型 | 第20-23页 |
| 2.3.1 AlexNet模型 | 第20-22页 |
| 2.3.2 GoogLeNet模型 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于能量图的步态特征提取及数据库的建立 | 第24-40页 |
| 3.1 步态图像预处理 | 第24-27页 |
| 3.2 步态周期检测 | 第27-28页 |
| 3.2.1 步态周期概述 | 第27页 |
| 3.2.2 轮廓宽高比实现步态周期检测 | 第27-28页 |
| 3.3 基于能量图的步态特征提取 | 第28-36页 |
| 3.3.1 能量图的步态特征提取方法 | 第29-33页 |
| 3.3.2 能量图的分析选取 | 第33-36页 |
| 3.4 步态数据库的建立 | 第36-38页 |
| 3.4.1 帧移式扩充数据库 | 第36页 |
| 3.4.2 多视角和多形态实验数据库的建立 | 第36-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 单种能量图的多状态步态识别 | 第40-62页 |
| 4.1 步态识别相关方法研究 | 第40-45页 |
| 4.1.1 传统方法相关研究 | 第40-44页 |
| 4.1.2 卷积神经网络方法相关研究 | 第44-45页 |
| 4.2 跨视角识别实验 | 第45-53页 |
| 4.2.1 网络模型参数和结构调整 | 第45-46页 |
| 4.2.2 实验方案 | 第46-47页 |
| 4.2.3 三种方案的跨视角实验 | 第47-51页 |
| 4.2.4 实验结果对比分析 | 第51-53页 |
| 4.3 能量图分割区域的跨形态识别实验 | 第53-60页 |
| 4.3.1 实验方案 | 第53页 |
| 4.3.2 三种方案的跨形态实验 | 第53-59页 |
| 4.3.3 实验结果对比分析 | 第59-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第5章 多种能量图信息融合的多状态步态识别 | 第62-74页 |
| 5.1 信息融合简介 | 第62-63页 |
| 5.2 RGB三通道数据级融合的步态识别 | 第63-67页 |
| 5.2.1 RGB三通道 | 第64-65页 |
| 5.2.2 实验及结果 | 第65-67页 |
| 5.3 分割区域数据级加特征级融合的跨形态识别 | 第67-69页 |
| 5.4 实验结果对比分析 | 第69-71页 |
| 5.4.1 单种与三种能量图实验的结果对比 | 第69-70页 |
| 5.4.2 分割区域跨形态识别实验的结果对比 | 第70-71页 |
| 5.5 本章小结 | 第71-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第82-84页 |
| 致谢 | 第84页 |
