基于DWT和SVM的多特征步态识别技术研究
| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 步态识别研究难点 | 第10-11页 |
| 1.4 本文研究内容及结构安排 | 第11-12页 |
| 第二章 步态识别算法研究 | 第12-18页 |
| 2.1 运动目标检测 | 第12-13页 |
| 2.1.1 光流法 | 第12-13页 |
| 2.1.2 帧间差分法 | 第13页 |
| 2.1.3 背景减除法 | 第13页 |
| 2.2 步态特征提取方法 | 第13-15页 |
| 2.2.1 基于模型的步态识别方法 | 第13-14页 |
| 2.2.2 基于轮廓的步态识别方法 | 第14-15页 |
| 2.2.3 其它步态识别方法 | 第15页 |
| 2.3 模式分类方法 | 第15-16页 |
| 2.4 本章小结 | 第16-18页 |
| 第三章 步态图像预处理 | 第18-30页 |
| 3.1 目标步态检测 | 第18-21页 |
| 3.2 步态图像形态学运算 | 第21-25页 |
| 3.2.1 膨胀 | 第21-22页 |
| 3.2.2 腐蚀 | 第22页 |
| 3.2.3 步态图像的开运算和闭运算 | 第22-25页 |
| 3.3 图像连通性分析 | 第25-26页 |
| 3.4 图像标准化 | 第26页 |
| 3.5 边缘检测 | 第26-28页 |
| 3.6 步态周期检测 | 第28页 |
| 3.7 本章小结 | 第28-30页 |
| 第四章 基于DWT的待选步态特征处理 | 第30-52页 |
| 4.1 宽度向量提取 | 第30-31页 |
| 4.2 速度向量提取 | 第31-32页 |
| 4.3 质心纵坐标向量提取 | 第32-34页 |
| 4.4 小波变换 | 第34-42页 |
| 4.4.1 连续小波变换 | 第35-36页 |
| 4.4.2 离散小波变换 | 第36-37页 |
| 4.4.3 多分辨率分析与二尺度方程 | 第37-39页 |
| 4.4.4 Mallat算法 | 第39-42页 |
| 4.5 基于小波变换的步态特征处理 | 第42-51页 |
| 4.5.1 小波函数的选取 | 第42-45页 |
| 4.5.2 小波分解层数的确定 | 第45-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 基于SVM的自适应特征选取步态识别 | 第52-66页 |
| 5.1 特征融合 | 第52-54页 |
| 5.1.1 数据级融合 | 第52-53页 |
| 5.1.2 特征级融合 | 第53页 |
| 5.1.3 决策级融合 | 第53-54页 |
| 5.2 基于SVM的自适应特征选取 | 第54-61页 |
| 5.2.1 支持向量机的基本理论 | 第54-57页 |
| 5.2.2 支持向量机的数学模型 | 第57-59页 |
| 5.2.3 支持向量机的训练算法 | 第59-60页 |
| 5.2.4 多分类支持向量机 | 第60-61页 |
| 5.3 特征选取与实验 | 第61-64页 |
| 5.3.1 CASIA_B步态数据库 | 第61页 |
| 5.3.2 小波变换分解阶数的选取 | 第61-62页 |
| 5.3.3 分类特征确定与权值设定 | 第62-64页 |
| 5.3.4 识别效果 | 第64页 |
| 5.4 本章小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 研究工作总结 | 第66-67页 |
| 6.2 工作展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 发表论文和参加科研情况 | 第72-74页 |
| 致谢 | 第74页 |
