| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| abstract | 第8-9页 |
| 1 绪论 | 第14-21页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 步态识别的研究内容 | 第15-16页 |
| 1.3 步态识别的国内外研究现状 | 第16-19页 |
| 1.3.1 步态检测 | 第16-17页 |
| 1.3.2 步态特征提取 | 第17-18页 |
| 1.3.3 步态识别 | 第18-19页 |
| 1.4 步态数据库 | 第19-20页 |
| 1.5 研究内容和组织结构 | 第20-21页 |
| 1.5.1 研究内容 | 第20页 |
| 1.5.2 组织结构 | 第20-21页 |
| 2 步态检测和步态周期分析 | 第21-29页 |
| 2.1 运动目标检测 | 第21-23页 |
| 2.1.1 背景减除法 | 第21-22页 |
| 2.1.2 光流法 | 第22-23页 |
| 2.2 形态学处理 | 第23-24页 |
| 2.2.1 腐蚀和膨胀 | 第23-24页 |
| 2.2.2 开运算和闭运算 | 第24页 |
| 2.3 连通区域分析 | 第24-25页 |
| 2.4 步态图像标准化 | 第25-26页 |
| 2.5 步态周期检测 | 第26-28页 |
| 2.6 本章小节 | 第28-29页 |
| 3 基于Gabor特征与协同表示的步态识别算法 | 第29-47页 |
| 3.1 基于稀疏表示的分类 | 第29页 |
| 3.2 步态能量图和鲁棒性分析 | 第29-32页 |
| 3.3 基于步态能量图的Gabor特征提取 | 第32-34页 |
| 3.4 视角检测策略 | 第34-38页 |
| 3.5 步态特征降维 | 第38-41页 |
| 3.5.1 主成分分析(PCA) | 第38-39页 |
| 3.5.2 线性判别分析法(LDA) | 第39-40页 |
| 3.5.3 特征降维过程 | 第40-41页 |
| 3.6 步态能量图Gabor特征与协同表示的步态分类算法 | 第41-44页 |
| 3.6.1 基于稀疏表示的步态分类识别算法 | 第41-42页 |
| 3.6.2 基于协同表示的步态识别算法 | 第42-43页 |
| 3.6.3 本章算法 | 第43页 |
| 3.6.4 基于Gabor特征和协同表示的步态识别流程 | 第43-44页 |
| 3.7 算法流程 | 第44-45页 |
| 3.7.1 步态训练步骤 | 第44页 |
| 3.7.2 步态识别步骤 | 第44-45页 |
| 3.8 实验结果与分析 | 第45-47页 |
| 4 基于特征融合的步态识别研究 | 第47-60页 |
| 4.1 基于支持向量机的分类 | 第47-49页 |
| 4.1.1 线性SVM | 第47-48页 |
| 4.1.2 非线性SVM | 第48页 |
| 4.1.3 多分类支持向量机 | 第48-49页 |
| 4.2 步态特征选择与提取 | 第49-51页 |
| 4.2.1 步态能量图动态部分提取 | 第50页 |
| 4.2.2 特征规格化 | 第50-51页 |
| 4.3 基于改进的KPCA特征提取 | 第51-53页 |
| 4.3.1 线性不可分及核函数 | 第51-52页 |
| 4.3.2 改进后的KPCA | 第52-53页 |
| 4.4 特征融合 | 第53-55页 |
| 4.4.1 多特征融合 | 第53页 |
| 4.4.2 特征融合分类 | 第53-54页 |
| 4.4.3 步态特征融合 | 第54-55页 |
| 4.5 实验结果与分析 | 第55-60页 |
| 4.5.1 实验参数的确定 | 第55-56页 |
| 4.5.2 实验流程 | 第56-57页 |
| 4.5.3 实验结果与识别性能 | 第57页 |
| 4.5.4 本节算法其他算法的对比 | 第57-58页 |
| 4.5.5 实验结果分析 | 第58-59页 |
| 4.5.6 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 作者简历 | 第66页 |