📄 ml.htm
字号:
<!ArtChnTitle>
<!ArtChnAuthor>
<!ArtAuthorAddress>
<!ArtChnAbstract>
<!ArtChnKeyword>
<!ArtEngTitle>
<!ArtEngAuthor>
<!ArtEngAbstract>
<!ArtEngKeyword>
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">
<meta name="GENERATOR" content="Microsoft FrontPage 5.0">
<title>学位论文－基于步态的身份识别</title>
<style>A:link {COLOR: #000000; FONT-FAMILY: 宋体; TEXT-DECORATION: none}
A:visited {COLOR: #000000; FONT-FAMILY: 宋体; TEXT-DECORATION: none}
A:active {FONT-FAMILY:宋体; TEXT-DECORATION: none}
A:hover {COLOR: #000000;TEXT-DECORATION:none}
BODY {FONT-FAMILY:宋体; FONT-SIZE: 9pt;TEXT-DECORATION:none}
TABLE {FONT-FAMILY: 宋体; FONT-SIZE: 9pt}
.H1 {FONT-SIZE: 9pt; COLOR: #0000cc}
.ourfont {FONT-SIZE: 9pt; LINE-HEIGHT: 14pt}
select {font-size:12px;}
.wx {BACKGROUND: #001863; BORDER-BOTTOM: white 1px solid; BORDER-LEFT: white 1px solid; BORDER-RIGHT: white 1px solid; BORDER-TOP: white 1px solid; COLOR: #ffffff; FONT-SIZE: 9pt; FONT-STYLE: normal; FONT-VARIANT: normal; FONT-WEIGHT: normal; HEIGHT: 18px; LINE-HEIGHT: normal}
.wx1 {border-top: #c0c0c0 1px;border-left: #c0c0c0 1px;border-right:#c0c0c0 1px;border-bottom:#c0c0c0 1px;border-style:inset;background-color:#ffffff;vertical-align:text-bottom}
</style>
</head>
<body bgcolor="#FFFFFF" link="#000000" background="../image/bg.gif">
<img src="../../images/xwlwk.jpg" width="750" height="94">
<table width="83%" border="0" cellspacing="0" cellpadding="0">
<tr>
<td width="19%"><p> </p>
<p></p></td>
<td width="81%"><p>馆藏号：Y792596<br>
<br>
论 文 题 目：<strong style="font-weight: 400">基于步态的身份识别</strong><br>
学位授予单位：北京工业大学<br>
作 者：刘玉栋<br>
申请学位级别：硕士<br>
学 科 名 称：计算机应用技术<br>
指 导 教 师：苏开娜<br>
出 版 时 间：20050501<br>
摘 要：<br>
本文对两大类步态识别算法进行了深入研究，其主要内容集中于步态特征的提取和分类器的设计两部分。<br> 在特征提取阶段采用多种不同的方法提取多种不同的步态特征，其中效果较好的是一种基于模型的特征提取方法。本文使用关键点和肢体角度构建人体的骨骼化模型，并对模型的各项参数提取做了改进，从人体的骨骼化模型中提取人体的静态参数(如身高、步幅等)以及动态参数(如运动过程中关键点的位置、运动轨迹、肢体角度、行走速度等)作为步态特征；在另一类非基于模型的方法中，一种是通过计算光流场获取步态特征；一种是计算人体的宽度向量作为特征。这些特征有效地描述了人行走过程中的动态变化特性。<br> 本文第二部分重要工作在于，将语音识别领域取得成功应用的隐马尔可夫模型(HMM)引入到步态识别中，利用HMM较强的时间建模能力映射人行走的步态序列，其中对HMM模型中码本的生成提出了改进，采用自组织竞争人工神经网络(SOCN)进行无监督的聚类，并对SOCN的学习规则进行了优化，将充分训练后的网络用作聚类和矢量量化，既提高了算法的效率，又提高了正确分类率。<br> 在分类器设计部分，重点研究了径向基函数(RBF)网络分类器的应用。本文采用了改进的减聚类算法确定RBF径向基函数的中心参数，并利用自动终止聚类判据确定径向基函数的数目；用梯度下降法对输出权值进行调节。该算法既能合理地对学习样本进行聚类，又可提高网络的映射能力。<br> 最后，本文通过大量的实验验证了所提出算法的有效性。而且，将PCA与RBF、HMM与RBF、HMM与SOCN结合起来使用的做法，能够发挥各种方法的优势，大大提高了识别性能。<br> <br>
分 类 号：TP391.4;TP183<br>
关 键 词：步态识别;骨骼化模型;人工神经网络;隐马尔可夫模型
<p align="center">
<table width="80" border="0" cellspacing="0" cellpadding="0">
<tr>
<td bgcolor="#cccccc">
<table width="100%" border="0" cellspacing="1" cellpadding="0">
<tr style="CURSOR: hand">
<td bgcolor="#CCCCCC" onMouseOver="this.bgColor='#999999';" onMouseOut="this.bgColor='#cccccc';" valign="bottom" height="18" NAME="NAME_BALL" STYLE="cursor:hand" child="FALL"><div align="center"><strong><font size="4"><a href="index.htm">PDF正文</a></font></strong></div></td>
</tr>
</table></td>
</tr>
</table>
</td>
</tr>
</table>
<div align="center"></div>
</body>
</html>
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -