| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 论文的研究背景 | 第8页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 选题意义 | 第8页 |
| 1.2 国内外研究现状及发展趋势 | 第8-12页 |
| 1.2.1 人脸识别研究 | 第9-10页 |
| 1.2.2 步态识别研究 | 第10-11页 |
| 1.2.3 多模态生物识别研究 | 第11-12页 |
| 1.3 研究内容 | 第12-14页 |
| 第2章 基于步态的生物识别研究 | 第14-30页 |
| 2.1 预处理 | 第14-17页 |
| 2.1.1 预处理的过程 | 第14-15页 |
| 2.1.2 行走方向的确定 | 第15-17页 |
| 2.2 基于动态特征和行走方向的步态识别 | 第17-20页 |
| 2.2.1 步态动态特征提取 | 第17-19页 |
| 2.2.2 基于步态特征和行走方向的步态识别 | 第19-20页 |
| 2.3 基于头肩均值形状分段近似与行走方向的步态识别 | 第20-25页 |
| 2.3.1 头肩均值形状提取 | 第20-24页 |
| 2.3.2 结合步态光流图和PA的远距离身份验证方法 | 第24-25页 |
| 2.4 实验结果 | 第25-27页 |
| 2.5 本章小结 | 第27-30页 |
| 第3章 基于人脸特征的生物识别研究 | 第30-40页 |
| 3.1 基于AdaBoost学习实现变姿态下的人脸检测研究 | 第30-32页 |
| 3.1.1 人脸特征 | 第30-31页 |
| 3.1.2 基于AdaBoost算法的层叠分类器 | 第31-32页 |
| 3.2 多姿态人脸检测方法 | 第32-37页 |
| 3.2.1 人脸关键部件提取 | 第33-36页 |
| 3.2.2 人脸关键部件对齐和归一化 | 第36-37页 |
| 3.3 基于关键部件稀疏表示的人脸识别方法 | 第37-39页 |
| 3.3.1 特征提取 | 第37-38页 |
| 3.3.2 关键部件识别 | 第38-39页 |
| 3.3.3 人脸识别结果 | 第39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于改进多示例学习算法的目标跟踪 | 第40-50页 |
| 4.1 在线多示例学习算法 | 第40-42页 |
| 4.2 改进在线多示例学习算法 | 第42-47页 |
| 4.2.1 包概率 | 第42页 |
| 4.2.2 弱分类器选择策略 | 第42-43页 |
| 4.2.3 分类器更新 | 第43页 |
| 4.2.4 基于改进多示例学习算法的目标跟踪实验 | 第43-47页 |
| 4.3 本章小结 | 第47-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间所发表的论文 | 第56-58页 |
| 致谢 | 第58-60页 |
| 个人简历 | 第60页 |
