| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪言 | 第9-13页 |
| 1.1 选题背景 | 第9-10页 |
| 1.2 研究内容及方法 | 第10-11页 |
| 1.3 研究的应用前景 | 第11-12页 |
| 1.4 论文结构 | 第12-13页 |
| 第2章 国内外研究现状及挑战 | 第13-20页 |
| 2.1 步态研究的起源 | 第13-14页 |
| 2.2 步态识别的方法分类 | 第14-17页 |
| 2.3 步态识别中不变特征提取的研究现状 | 第17-18页 |
| 2.4 步态识别的挑战 | 第18-20页 |
| 第3章 步态识别的框架及相关方法 | 第20-25页 |
| 3.1 步态识别的框架及流程 | 第20-21页 |
| 3.1.1. 训练模型 | 第20-21页 |
| 3.1.2. 测试算法 | 第21页 |
| 3.2 步态能量图 | 第21-23页 |
| 3.3 主成分分析 | 第23-25页 |
| 第4章 基于SPAE的不变特征提取算法 | 第25-42页 |
| 4.1 自动编码器（AUTO-ENCODER）介绍 | 第25-26页 |
| 4.2 SPAE不变特征提取算法 | 第26-29页 |
| 4.3 实验数据 | 第29-31页 |
| 4.3.1. CASIA B步态数据集 | 第29-30页 |
| 4.3.2. SZU RGB-D步态数据集 | 第30-31页 |
| 4.4 实验设计 | 第31-32页 |
| 4.4.1. CASIA B实验设计 | 第31-32页 |
| 4.4.2. SZU RGB-D实验设计 | 第32页 |
| 4.5 模型参数设置 | 第32-34页 |
| 4.6 实验结果分析 | 第34-42页 |
| 4.6.1. CASIA B实验结果 | 第34-36页 |
| 4.6.2. 实验结果与GEI+PCA比较 | 第36-38页 |
| 4.6.3. SZU RGB-D实验结果 | 第38-39页 |
| 4.6.4. 实验结果与现有方法比较 | 第39-42页 |
| 第5章 基于GAN的不变特征提取算法 | 第42-59页 |
| 5.1 生成对抗网络（GENERATIVE ADVERSARIAL NETWORKS）介绍 | 第42-45页 |
| 5.1.1. GAN研究现状 | 第42-43页 |
| 5.1.2. GAN相关理论 | 第43-45页 |
| 5.2 GAITGAN不变特征提取算法 | 第45-48页 |
| 5.3 实验设计 | 第48-49页 |
| 5.4 模型参数设置 | 第49-51页 |
| 5.5 实验结果分析 | 第51-59页 |
| 5.5.1. CASIA B实验一结果 | 第51-52页 |
| 5.5.2. CASIA B实验二结果 | 第52-53页 |
| 5.5.3. 实验结果与GEI+PCA和SPAE方法比较 | 第53-56页 |
| 5.5.4. 实验结果与现有方法比较 | 第56-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 论文总结 | 第59-60页 |
| 6.2 未来展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间的研究成果 | 第66页 |
