基于信息融合的红外步态识别新技术研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 目录 | 第9-11页 |
| Contents | 第11-13页 |
| 第一章 绪论 | 第13-21页 |
| ·研究背景及意义 | 第13-15页 |
| ·国内外研究现状 | 第15-19页 |
| ·国外研究现状 | 第15-17页 |
| ·国内研究现状 | 第17-19页 |
| ·本文的主要研究内容 | 第19页 |
| ·本文的内容组织 | 第19-21页 |
| 第二章 信息融合基本理论 | 第21-29页 |
| ·信息融合概述 | 第21-25页 |
| ·图像融合 | 第25-26页 |
| ·多分类器融合 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 红外步态融合分割研究 | 第29-45页 |
| ·红外热成像原理 | 第29-32页 |
| ·混合高斯模型 | 第32-33页 |
| ·脉冲耦合神经网络(PCNN) | 第33-34页 |
| ·多模态免疫进化算法 | 第34-35页 |
| ·曲波变换 | 第35-37页 |
| ·融合分割算法 | 第37-40页 |
| ·实验结果与分析 | 第40-44页 |
| ·主观视觉效果 | 第41-42页 |
| ·客观评价 | 第42-43页 |
| ·误检率 | 第43页 |
| ·算法执行时间 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 红外步态特征融合研究 | 第45-65页 |
| ·红外步态特征 | 第45-55页 |
| ·常用特征 | 第45-54页 |
| ·基于Brushlet变换的红外步态特征 | 第54-55页 |
| ·特征融合 | 第55-62页 |
| ·支持向量机 | 第55-59页 |
| ·粗糙集 | 第59-60页 |
| ·粗糙集支持向量机 | 第60-61页 |
| ·基于粗糙集SVM的特征融合模型 | 第61-62页 |
| ·实验与分析 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 第五章 红外步态融合识别研究 | 第65-94页 |
| ·引言 | 第65-66页 |
| ·单分类器识别模型构建 | 第66-80页 |
| ·轮廓波包网络识别模型构建 | 第66-75页 |
| ·仿生模式量子网络识别模型构建 | 第75-80页 |
| ·多分类器融合识别算法 | 第80-88页 |
| ·度量级融合 | 第80-83页 |
| ·决策级融合 | 第83-88页 |
| ·实验结果与分析 | 第88-92页 |
| ·实验一 | 第89页 |
| ·实验二 | 第89-90页 |
| ·实验三 | 第90-91页 |
| ·实验四 | 第91-92页 |
| ·本章小结 | 第92-94页 |
| 总结与展望 | 第94-97页 |
| 1.内容总结 | 第94-95页 |
| 2.创新之处 | 第95页 |
| 3.工作展望 | 第95-97页 |
| 参考文献 | 第97-112页 |
| 攻读博士学位期间发表的论文 | 第112-115页 |
| 致谢 | 第115页 |
