| 【中文题名】 | 基于矩特征和BP神经网络的步态识别技术研究 |
| 【英文题名】 | Study on Gait Recognition Based on Moment and BP Neural Network |
| 【学科专业】 | 计算机软件与理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-19 |
| 【中关键词】 | 步态识别,人体检测,矩特征,BP神经网络,, |
| 【英关键词】 | Gait recognition,human detection,moment,BP neural network, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
随着信息社会对安全的要求不断提高，利用生物特征进行快速准确的身份识别成了当今的主流。与传统的身份鉴定手段相比，生物特征识别具有无可比拟的优势，特别是步态识别技术，由于其对系统分辨率要求低、远距离识别、非侵犯性和难以隐藏等特点而倍受计算机视觉研究者的关注，从而成为当前的一个研究热点。为此，本文从步态检测、步态表征、特征分析、步态分类四个方面对步态识别技术展开了研究。其中步态表征和特征分析可以说是重中之重，是识别性能的决定性因素，也是本文的研究重点。
(1)本文选用简单快速的背景减除方法进行步态检测，通过对轮廓图像进行形态学后处理来去除小的孔洞和噪声，然后对图像进行归一化处理，并利用轮廓跟踪算法准确地提取了人体步态轮廓。
(2)从图像的矩特征角度，探讨了步态的表征，提出了一种基于图像矩特征的步态表征方法。本文提取图像的Hu矩和Zernike矩作为步态特征，为了增加算法的实用性并减小算法的复杂度，通过对Hu矩和Zernike矩的实验分析比较，最后采用离散度和顺序前进法相结合的方法选用最能表征步态特征的Zernike矩中的6个矩作为本文进行步态识别的矩特征。
(3)在步态识别阶段，本... |
| 【论文题纲】 |
|
中文摘要 |
3-4 |
|
英文摘要 |
4-7 |
|
第1章 绪论 |
7-17 |
|
1.1 生物认证技术 |
7-8 |
|
1.2 步态识别 |
8-16 |
|
1.2.1 引言 |
8-10 |
|
1.2.2 步态识别研究的主要内容 |
10-11 |
|
1.2.3 国内外研究现状分析 |
11-15 |
|
1.2.4 步态识别研究的难点 |
15-16 |
|
1.3 主要研究内容及论文组织 |
16-17 |
|
第2章 图像的矩特征 |
17-27 |
|
2.1 几何矩 |
17-22 |
|
2.1.1 几何矩的定义 |
17-18 |
|
2.1.2 各阶几何矩的含义 |
18-20 |
|
2.1.3 矩和图像的变换 |
20-21 |
|
2.1.4 矩不变量 |
21-22 |
|
2.2 正交矩 |
22-24 |
|
2.2.1 Legendre矩 |
22 |
|
2.2.2 Zernike矩 |
22-24 |
|
2.3.3 Tchebycheff矩 |
24 |
|
2.3 各种矩的性能评价 |
24-26 |
|
2.4 本章小结 |
26-27 |
|
第3章 人工神经网络 |
27-39 |
|
3.1 人工神经网络的起源与发展状况 |
27-28 |
|
3.2 人工神经网络基本理论 |
28-34 |
|
3.2.1 神经元模型 |
28-29 |
|
3.2.2 激励函数 |
29-30 |
|
3.2.3 神经网络基本类型 |
30-32 |
|
3.2.4 神经网络学习方法 |
32-33 |
|
3.2.5 神经网络学习规则 |
33-34 |
|
3.3 BP神经网络 |
34-38 |
|
3.3.1 BP神经网络的数学描述 |
34-36 |
|
3.3.2 BP神经网络的设计原则 |
36-38 |
|
3.4 本章小结 |
38-39 |
|
第4章 基于矩特征和BP神经网络的步态识别 |
39-59 |
|
4.1 步态检测及预处理 |
40-43 |
|
4.1.1 背景建模 |
40-41 |
|
4.1.2 前景检测 |
41-42 |
|
4.1.3 后处理 |
42-43 |
|
4.1.4 规一化处理 |
43 |
|
4.1.5 轮廓提取 |
43 |
|
4.2 步态特征提取 |
43-51 |
|
4.2.1 类别可分性判据 |
44-46 |
|
4.2.2 步态参数分析 |
46-49 |
|
4.2.3 步态特征提取 |
49-51 |
|
4.3 步态特征处理 |
51-54 |
|
4.3.1 常用的特征搜索方法 |
52-53 |
|
4.3.2 Hu矩的修正算法 |
53-54 |
|
4.3.3 Zernike、矩的压缩算法 |
54 |
|
4.4 分类器设计 |
54-55 |
|
4.4.1 最近邻分类器 |
54-55 |
|
4.4.2 BP神经网络分类器 |
55 |
|
4.5 实验结果及分析 |
55-58 |
|
4.5.1 数据获取 |
55-56 |
|
4.5.2 实验结果 |
56-58 |
|
4.6 本章小结 |
58-59 |
|
结论 |
59-60 |
|
参考文献 |
60-64 |
|
攻读硕士学位期间发表及完成的论文 |
64-65 |
|
致谢 |
65-66 |
|
| 【DOI】 | LunWen.ID:2.2008.389124 |
