基于步态深度信息的人体身份识别方法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 课题研究背景及意义 | 第8-12页 |
| 1.1.1 课题研究背景 | 第8-10页 |
| 1.1.2 课题研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 2 深度图像的获取与处理 | 第17-27页 |
| 2.1 Kinect传感器简介 | 第17-20页 |
| 2.1.1 Kinect的组成结构 | 第17-18页 |
| 2.1.2 Kinect工作原理 | 第18-20页 |
| 2.2 深度信息的获取 | 第20-23页 |
| 2.3 深度图像的预处理 | 第23-26页 |
| 2.3.1 基于阈值的深度图像分割 | 第23-24页 |
| 2.3.2 目标轮廓提取 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 步态检测及特征提取 | 第27-35页 |
| 3.1 步态特征提取概述 | 第27-28页 |
| 3.2 步态周期检测 | 第28-30页 |
| 3.3 基于步态深度能量图的步态表征 | 第30-32页 |
| 3.3.1 步态能量图的获取 | 第30-31页 |
| 3.3.2 构造步态深度能量图 | 第31-32页 |
| 3.4 基于步态动态图的步态表征 | 第32-34页 |
| 3.4.1 步态序列的参数化表示 | 第32-33页 |
| 3.4.2 排序池化构造步态动态图 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 4 步态特征降维 | 第35-43页 |
| 4.1 引言 | 第35页 |
| 4.2 主成分分析法(PCA)降维 | 第35-39页 |
| 4.2.1 PCA原理 | 第35-37页 |
| 4.2.2 PCA特征降维 | 第37-39页 |
| 4.3 核主成分分析(KPCA)降维 | 第39-42页 |
| 4.3.1 KPCA原理 | 第39-40页 |
| 4.3.2 KPCA特征降维 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 5 步态分类与识别 | 第43-57页 |
| 5.1 常见分类方法简介 | 第43页 |
| 5.2 支持向量机(SVM)的原理 | 第43-47页 |
| 5.3 步态数据库的构建 | 第47-48页 |
| 5.4 步态识别实验 | 第48-53页 |
| 5.4.1 基于步态深度能量图和SVM的步态识别 | 第49-51页 |
| 5.4.2 基于步态动态图和SVM的步态识别 | 第51-53页 |
| 5.5 实验对比及分析 | 第53-56页 |
| 5.6 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 全文总结 | 第57-58页 |
| 6.2 工作展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64页 |
| A. 作者在攻读学位期间发表的论文目录 | 第64页 |
