?? ml.htm
字號:
<!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>學位論文－基于步態的身份識別</title>
<style>A:link {COLOR: #000000; FONT-FAMILY: 宋體; TEXT-DECORATION: none}
A:visited {COLOR: #000000; FONT-FAMILY: 宋體; TEXT-DECORATION: none}
A:active {FONT-FAMILY:宋體; TEXT-DECORATION: none}
A:hover {COLOR: #000000;TEXT-DECORATION:none}
BODY {FONT-FAMILY:宋體; FONT-SIZE: 9pt;TEXT-DECORATION:none}
TABLE {FONT-FAMILY: 宋體; 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>館藏號：Y792596<br>
<br>
論 文 題 目：<strong style="font-weight: 400">基于步態的身份識別</strong><br>
學位授予單位：北京工業大學<br>
作 者：劉玉棟<br>
申請學位級別：碩士<br>
學 科 名 稱：計算機應用技術<br>
指 導 教 師：蘇開娜<br>
出 版 時 間：20050501<br>
摘 要：<br>
本文對兩大類步態識別算法進行了深入研究，其主要內容集中于步態特征的提取和分類器的設計兩部分。<br> 在特征提取階段采用多種不同的方法提取多種不同的步態特征，其中效果較好的是一種基于模型的特征提取方法。本文使用關鍵點和肢體角度構建人體的骨骼化模型，并對模型的各項參數提取做了改進，從人體的骨骼化模型中提取人體的靜態參數(如身高、步幅等)以及動態參數(如運動過程中關鍵點的位置、運動軌跡、肢體角度、行走速度等)作為步態特征；在另一類非基于模型的方法中，一種是通過計算光流場獲取步態特征；一種是計算人體的寬度向量作為特征。這些特征有效地描述了人行走過程中的動態變化特性。<br> 本文第二部分重要工作在于，將語音識別領域取得成功應用的隱馬爾可夫模型(HMM)引入到步態識別中，利用HMM較強的時間建模能力映射人行走的步態序列，其中對HMM模型中碼本的生成提出了改進，采用自組織競爭人工神經網絡(SOCN)進行無監督的聚類，并對SOCN的學習規則進行了優化，將充分訓練后的網絡用作聚類和矢量量化，既提高了算法的效率，又提高了正確分類率。<br> 在分類器設計部分，重點研究了徑向基函數(RBF)網絡分類器的應用。本文采用了改進的減聚類算法確定RBF徑向基函數的中心參數，并利用自動終止聚類判據確定徑向基函數的數目；用梯度下降法對輸出權值進行調節。該算法既能合理地對學習樣本進行聚類，又可提高網絡的映射能力。<br> 最后，本文通過大量的實驗驗證了所提出算法的有效性。而且，將PCA與RBF、HMM與RBF、HMM與SOCN結合起來使用的做法，能夠發揮各種方法的優勢，大大提高了識別性能。<br> <br>
分 類 號：TP391.4;TP183<br>
關 鍵 詞：步態識別;骨骼化模型;人工神經網絡;隱馬爾可夫模型
<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>
?? 快捷鍵說明
復制代碼
Ctrl + C
搜索代碼
Ctrl + F
全屏模式
F11
切換主題
Ctrl + Shift + D
顯示快捷鍵
?
增大字號
Ctrl + =
減小字號
Ctrl + -