基于步态的身份识别技术研究
| 目录 | 第5-7页 |
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题的研究背景和意义 | 第10-13页 |
| 1.2 基于步态特征的身份识别研究 | 第13-18页 |
| 1.2.1 步态识别的定义及可行性 | 第13-14页 |
| 1.2.2 步态身份识别的研究历史与现状 | 第14-15页 |
| 1.2.3 步态身份识别的优势及难点 | 第15-16页 |
| 1.2.4 步态识别研究的应用领域 | 第16-18页 |
| 1.3 论文的主要研究工作及组织结构 | 第18-20页 |
| 第2章 基于步态的身份识别原理 | 第20-36页 |
| 2.1 基于步态的身份识别体系机构 | 第21-22页 |
| 2.2 数据采集 | 第22-23页 |
| 2.2.1 步态数据特点 | 第22页 |
| 2.2.2 标准的步态库 | 第22-23页 |
| 2.3 运动目标检测 | 第23-28页 |
| 2.3.1 序列背景建模 | 第23-25页 |
| 2.3.2 人体运动目标检测技术 | 第25-26页 |
| 2.3.3 人体运动目标检测分类 | 第26-28页 |
| 2.4 特征提取 | 第28-33页 |
| 2.4.1 特征提取重要性 | 第28-29页 |
| 2.4.2 步态特征表征 | 第29-33页 |
| 2.5 识别阶段 | 第33-35页 |
| 2.5.1 训练的特征库 | 第33-34页 |
| 2.5.2 测度方法 | 第34页 |
| 2.5.3 性能评价 | 第34-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 运动目标提取 | 第36-59页 |
| 3.1 基于光流和蛇形模型的目标跟踪与提取 | 第36-39页 |
| 3.1.1 基于光流的跟踪 | 第36-37页 |
| 3.1.2 基于蛇形形变的跟踪 | 第37-39页 |
| 3.2 基于光流和GVF跟踪算法 | 第39-46页 |
| 3.2.1 Hom-Schunk光流模型及实验 | 第39-41页 |
| 3.2.2 GVF蛇形模型 | 第41-43页 |
| 3.2.3 基于光流和GVF的目标跟踪 | 第43-44页 |
| 3.2.4 实验结果及分析 | 第44-46页 |
| 3.3 基于二阶差分阈值和改进GVF的跟踪算法 | 第46-52页 |
| 3.3.1 二阶差分阈值模型 | 第47-48页 |
| 3.3.2 改进GVF目标跟踪 | 第48-50页 |
| 3.3.3 实验结果及分析 | 第50-52页 |
| 3.4 基于人体匹配模板和改进GVF的跟踪算法 | 第52-58页 |
| 3.4.1 人体模板和Chamfer距离测度 | 第53-54页 |
| 3.4.2 改进GVF算法的目标跟踪 | 第54-55页 |
| 3.4.3 实验结果及分析 | 第55-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第4章 基于正交联系点改进椭圆模型的步态识别 | 第59-68页 |
| 4.1 步态周期概念及计算模型 | 第59-62页 |
| 4.1.1 正常步态周期运动过程 | 第59-60页 |
| 4.1.2 步态周期及关键帧计算 | 第60-61页 |
| 4.1.3 实验结果及分析 | 第61-62页 |
| 4.2 基于正交联系点的改进椭圆模型 | 第62-65页 |
| 4.2.1 基于正交联系点的椭圆拟合算法 | 第63-65页 |
| 4.2.2 基于改进椭圆模型身份识别 | 第65页 |
| 4.3 实验结果及分析 | 第65-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第5章 基于轮廓光流场量化的步态识别 | 第68-93页 |
| 5.1 光流特征在步态识别中的回顾 | 第68-69页 |
| 5.2 基于光流和轮廓的识别算法 | 第69-77页 |
| 5.2.1 运动识别模型思想 | 第69页 |
| 5.2.2 基于轮廓光流场量化的识别模型 | 第69-74页 |
| 5.2.3 轮廓光流场特征降维 | 第74-77页 |
| 5.2.4 基于轮廓光流场量化的身份识别 | 第77页 |
| 5.3 实验结果及分析 | 第77-89页 |
| 5.4 结果讨论 | 第89-91页 |
| 5.5 本章小结 | 第91-93页 |
| 第6章 基于加权距离测试的LLE流形步态识别 | 第93-112页 |
| 6.1 高维数据简约原理 | 第93-96页 |
| 6.1.1 降维必要性 | 第93-94页 |
| 6.1.2 降维算法分类 | 第94-95页 |
| 6.1.3 基于流形学习的数据降维 | 第95-96页 |
| 6.2 LLE流形降维算法 | 第96-98页 |
| 6.2.1 LLE研究进展 | 第96-97页 |
| 6.2.2 LLE算法过程 | 第97-98页 |
| 6.3 基于加权距离测试的步态身份识别 | 第98-110页 |
| 6.3.1 加权距离模型及参数估计 | 第98-100页 |
| 6.3.2 LLE和加权距离LLE参数选取及分析 | 第100-104页 |
| 6.3.3 基于加权距离测试的LLE流形身份识别 | 第104-105页 |
| 6.3.4 实验结果及分析 | 第105-110页 |
| 6.3.5 结果讨论 | 第110页 |
| 6.4 本章小结 | 第110-112页 |
| 结论 | 第112-115页 |
| 参考文献 | 第115-132页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第132-133页 |
| 致谢 | 第133页 |
