| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 文中常用缩略语简表 | 第10-14页 |
| 第1章 绪论 | 第14-31页 |
| 1.1 课题研究的背景、目的和意义 | 第14页 |
| 1.2 步态识别研究现状 | 第14-23页 |
| 1.2.1 运动人体检测 | 第17-19页 |
| 1.2.2 步态表征 | 第19-21页 |
| 1.2.3 步态识别 | 第21-22页 |
| 1.2.4 常用步态数据库 | 第22-23页 |
| 1.3 类能量图法和耦合度量学习的研究现状 | 第23-28页 |
| 1.3.1 类能量图法的研究现状 | 第24-26页 |
| 1.3.2 耦合度量学习与多角度步态识别的研究现状 | 第26-28页 |
| 1.4 本文研究的主要内容与结构 | 第28-31页 |
| 第2章 基于跟踪区域的运动人体检测 | 第31-52页 |
| 2.1 基于码本模型的运动人体检测方法 | 第31-36页 |
| 2.1.1 码本模型的建立 | 第31-33页 |
| 2.1.2 利用码本模型检测运动人体 | 第33页 |
| 2.1.3 识别运动人体 | 第33-34页 |
| 2.1.4 基于码本检测的不足及改进 | 第34-36页 |
| 2.2 基于跟踪区域的码本检测算法 | 第36-40页 |
| 2.2.1 基于YUV空间的码本检测 | 第36页 |
| 2.2.2 基于EOH与RGB特征的在线Adaboost跟踪算法 | 第36-38页 |
| 2.2.3 Camshift算法与置信图 | 第38-39页 |
| 2.2.4 融合Camshift的在线Adaboost跟踪区域检测 | 第39-40页 |
| 2.3 步态周期检测 | 第40-45页 |
| 2.3.1 步态周期检测定义 | 第40-41页 |
| 2.3.2 多角度的步态周期检测 | 第41-45页 |
| 2.4 实验结果与分析 | 第45-51页 |
| 2.4.1 实验设置 | 第45页 |
| 2.4.2 运动人体检测结果 | 第45-48页 |
| 2.4.3 多角度步态周期检测实验 | 第48-51页 |
| 2.5 本章小结 | 第51-52页 |
| 第3章 基于类能量图的步态表征方法研究 | 第52-71页 |
| 3.1 类能量图的定义及优点 | 第52-53页 |
| 3.2 类能量图的分类及各种能量图特点分析 | 第53-62页 |
| 3.2.1 步态信息累计法 | 第53-56页 |
| 3.2.2 步态信息引入法 | 第56-60页 |
| 3.2.3 步态信息融合法 | 第60-62页 |
| 3.3 各种能量图对比实验及实验结果分析 | 第62-70页 |
| 3.3.1 实验设置 | 第62-64页 |
| 3.3.2 各类能量图表征运动信息的性能实验 | 第64-69页 |
| 3.3.3 生成类能量图时间对比试验 | 第69-70页 |
| 3.4 本章小结 | 第70-71页 |
| 第4章 多通道类能量图融合方法研究 | 第71-93页 |
| 4.1 时序保持光流能量图 | 第71-75页 |
| 4.1.1 时序保持光流能量图的生成 | 第72-73页 |
| 4.1.2 步态流图的计算方法 | 第73-74页 |
| 4.1.3 基于步宽的时序信息 | 第74-75页 |
| 4.2 多信息通道彩色类能量图 | 第75-77页 |
| 4.3 基于特征层融合的多通道彩色类能量图 | 第77-83页 |
| 4.3.1 基于K-L变换的特征级特征融合 | 第78-80页 |
| 4.3.2 基于典型相关分析的多级特征级融合 | 第80-82页 |
| 4.3.3 多级特征级融合理论扩展 | 第82-83页 |
| 4.4 实验结果与分析 | 第83-92页 |
| 4.4.1 实验设置 | 第83-84页 |
| 4.4.2 EMEI算法中各参数的确定 | 第84-85页 |
| 4.4.3 多通道彩色类能量图直接作为特征的实验 | 第85-89页 |
| 4.4.4 基于K-L变换的特征级特征融合实验 | 第89-90页 |
| 4.4.5 基于典型相关分析的多级特征级融合实验 | 第90-92页 |
| 4.5 本章小结 | 第92-93页 |
| 第5章 基于有监督耦合距离度量学习的多角度步态识别研究 | 第93-110页 |
| 5.1 耦合距离度量学习 | 第93-95页 |
| 5.2 基于增强有监督稀疏保留投影的耦合度量学习 | 第95-97页 |
| 5.3 基于增强有监督稀疏保留投影的非线性耦合度量学习 | 第97-99页 |
| 5.3.1 基于增强有监督稀疏保留投影的核耦合度量学习 | 第97-99页 |
| 5.3.2 计算复杂度分析 | 第99页 |
| 5.4 基于线性或非线性耦合度量学习的多角度步态识别 | 第99-101页 |
| 5.4.1 基于ESSPP-CDML与ESSPP-KCDML的多角度步态识别理论框架 | 第99-100页 |
| 5.4.2 多角度步态识别应用扩展 | 第100-101页 |
| 5.5 实验结果与分析 | 第101-108页 |
| 5.5.1 多角度步态库介绍与实验设置 | 第102页 |
| 5.5.2 基于ESSPP-CDML的多角度步态识别的性能实验 | 第102-105页 |
| 5.5.3 基于ESSPP-KCDML的多角度步态识别的性能实验 | 第105-108页 |
| 5.5.4 结合多通道彩色类能量图和耦合度量学习的多角度步态识别性能 | 第108页 |
| 5.6 本章小结 | 第108-110页 |
| 结论 | 第110-112页 |
| 参考文献 | 第112-127页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第127-128页 |
| 致谢 | 第128-129页 |
| 附录A | 第129页 |
