| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-22页 |
| 1.1 课题背景及研究目的和意义 | 第9-11页 |
| 1.2 步态识别的研究内容与主流方法 | 第11-19页 |
| 1.2.1 步态识别系统的组成 | 第11-13页 |
| 1.2.2 步态识别的研究内容 | 第13页 |
| 1.2.3 步态识别的主流方法 | 第13-18页 |
| 1.2.4 步态识别的难点 | 第18-19页 |
| 1.3 研究现状分析 | 第19-20页 |
| 1.4 本文主要内容 | 第20-22页 |
| 第2章 步态轮廓的检测与提取 | 第22-39页 |
| 2.1 引言 | 第22页 |
| 2.2 人体检测 | 第22-24页 |
| 2.2.1 背景建模 | 第22-23页 |
| 2.2.2 差分运算 | 第23页 |
| 2.2.3 阈值分割 | 第23-24页 |
| 2.3 人体跟踪 | 第24-32页 |
| 2.3.1 在线增量学习的 PCA 算法 | 第25-29页 |
| 2.3.2 粒子滤波 | 第29-32页 |
| 2.3.3 增量学习的鲁棒视觉跟踪算法 | 第32页 |
| 2.4 步态轮廓的提取 | 第32-36页 |
| 2.4.1 高斯混合模型 | 第32-33页 |
| 2.4.2 期望最大化算法 | 第33-34页 |
| 2.4.3 基于 GMM 和 EM 的步态轮廓提取 | 第34-35页 |
| 2.4.4 图像后处理 | 第35-36页 |
| 2.5 实验结果 | 第36-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第3章 步态特征的提取方法 | 第39-55页 |
| 3.1 引言 | 第39页 |
| 3.2 周期检测 | 第39-41页 |
| 3.2.1 基于步态轮廓二值图像的周期检测法 | 第39-40页 |
| 3.2.2 基于步态外轮廓的周期检测法 | 第40-41页 |
| 3.3 GEI 特征提取 | 第41-46页 |
| 3.3.1 GEI 构建方法 | 第42页 |
| 3.3.2 GEI 表征理由 | 第42-44页 |
| 3.3.3 GEI 真模板和合成模板 | 第44-46页 |
| 3.4 Mutichannel GEI | 第46-48页 |
| 3.5 Gabor 特征提取 | 第48-53页 |
| 3.5.1 Gabor 函数 | 第48-50页 |
| 3.5.2 Gabor 步态特征 | 第50-53页 |
| 3.5.3 计算复杂度分析 | 第53页 |
| 3.6 本章小结 | 第53-55页 |
| 第4章 基于 MTDA 的步态识别算法 | 第55-79页 |
| 4.1 引言 | 第55页 |
| 4.2 LDA 算法 | 第55-56页 |
| 4.3 MDA 算法 | 第56-61页 |
| 4.3.1 Graph Embedding 算法原理 | 第56-58页 |
| 4.3.2 基于 Graph Embedding 算法的通用降维框架 | 第58-59页 |
| 4.3.3 MDA 算法描述 | 第59-61页 |
| 4.4 MTDA 算法 | 第61-70页 |
| 4.4.1 张量代数运算 | 第61-63页 |
| 4.4.2 MTDA 算法原理 | 第63-70页 |
| 4.4.3 算法复杂度分析 | 第70页 |
| 4.5 实验结果 | 第70-78页 |
| 4.5.1 步态数据库 | 第71-73页 |
| 4.5.2 性能评估 | 第73-77页 |
| 4.5.3 收敛性测试 | 第77-78页 |
| 4.6 本章小结 | 第78-79页 |
| 结论 | 第79-81页 |
| 参考文献 | 第81-90页 |
| 致谢 | 第90页 |
