| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 步态识别的研究现状 | 第11-13页 |
| 1.3 步态对称性的研究现状 | 第13-14页 |
| 1.4. 本文的主要工作 | 第14-16页 |
| 1.4.1 本文主要研究内容 | 第14-15页 |
| 1.4.2 论文结构 | 第15-16页 |
| 第2章 Kinect传感器及骨骼流数据简介 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 Kinect传感器介绍 | 第16-20页 |
| 2.2.1 Kinect for Windows设备简介 | 第16-17页 |
| 2.2.2 Kinect for Windows SDK环境配置 | 第17-20页 |
| 2.3 Kinect骨骼流数据的获取 | 第20-23页 |
| 2.3.1 Kinect数据流概述 | 第20-21页 |
| 2.3.2 提取骨骼流数据 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 以协方差矩阵为特征的步态识别 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 基于骨骼流数据的步态识别研究概述 | 第24-25页 |
| 3.3 实验数据预处理 | 第25-27页 |
| 3.4 以协方差矩阵为特征的步态识别 | 第27-32页 |
| 3.4.1 协方差矩阵的构造 | 第27-29页 |
| 3.4.2 协方差矩阵的相关性度量 | 第29-30页 |
| 3.4.3 基于距离的分类器 | 第30-32页 |
| 3.5 实验结果分析 | 第32-34页 |
| 3.6 本章小结 | 第34-36页 |
| 第4章 基于主成分分析的步态对称性模型评估 | 第36-50页 |
| 4.1 引言 | 第36页 |
| 4.2 主成分分析法 | 第36-39页 |
| 4.3 基于主成分分析的步态对称性验证 | 第39-46页 |
| 4.3.1 PCA用于步态对称性验证的方法 | 第39-41页 |
| 4.3.2 基于下肢关节角度的步态对称性验证 | 第41-46页 |
| 4.4 步态对称性的模型评估 | 第46-49页 |
| 4.4.1 近似模型评估 | 第46-47页 |
| 4.4.2 平均模型评估 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 基于符号的步态对称性度量方法 | 第50-68页 |
| 5.1 引言 | 第50-51页 |
| 5.2 数据的线性分割 | 第51-53页 |
| 5.2.1 数据的选取 | 第51页 |
| 5.2.2 线性分割的方法 | 第51-53页 |
| 5.2.3 特征的选择与提取 | 第53页 |
| 5.3 无监督聚类算法 | 第53-59页 |
| 5.3.1 主要聚类算法的分类 | 第54-56页 |
| 5.3.2 聚类的有效性指标 | 第56-59页 |
| 5.4 改进的K-Meams聚类算法 | 第59-62页 |
| 5.4.1 K-Meams算法 | 第59-60页 |
| 5.4.2 K-Meams算法的特点 | 第60-61页 |
| 5.4.3 改进的K-Meams算法 | 第61-62页 |
| 5.5 基于符号的对称性度量方法 | 第62-66页 |
| 5.6 本章小结 | 第66-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76页 |