發(fā)布時間：2017-08-25 16:11

  本文關鍵詞：耦合度量學習理論及其在步態(tài)識別中的應用研究

  更多相關文章： 耦合度量學習 跨視角步態(tài)學習 矩陣對齊 張量對齊 跨域識別

【摘要】：隨著計算機存儲和運算性能的大幅度提高,基于計算機視覺的生物特征認證以及識別技術發(fā)展迅速,人臉識別、指紋識別和虹膜識別等技術在可控場景下已經(jīng)相對成熟,并在商業(yè)、公共安全、醫(yī)學甚至娛樂等領域廣泛應用。但是實際場景中,被識別個體生物特征通常被要求在遠距離非接觸條件下通過低分辨率或者不同類型的傳感器捕獲,這對傳統(tǒng)的生物特征識別技術提出了極大的挑戰(zhàn)。步態(tài)特征具有遠距離檢測、采集非接觸性、不易偽裝模仿、受環(huán)境影響小和占用內(nèi)存小等優(yōu)點,是遠距離下最具有潛力的生物特征之一,在公共安全領域具有良好的應用前景和經(jīng)濟價值。但是,步態(tài)視角變化將會改變可觀測的人體步態(tài)特征,造成步態(tài)識別困難。為了解決視角變化引起的跨視角步態(tài)識別問題,本課題提出基于耦合度量學習理論的跨視角步態(tài)識別算法。具體而言,本論文主要貢獻如下：·概述了課題的研究背景以及意義,綜述了國內(nèi)外對跨視角步態(tài)識別和耦合度量學習兩個領域的研究現(xiàn)狀�！ぱ芯苛讼蛄靠臻g內(nèi)基于向量流形對齊的耦合度量學習方法,主要包括耦合距離度量學習、耦合邊距Fisher分析和聯(lián)立判別分析,并提出一種融合了判別信息和流形結構的耦合間距判別分析算法,該算法旨在削弱跨域問題的數(shù)據(jù)差異,增強跨域數(shù)據(jù)間的耦合關系。另外,本文首次將這些向量空間內(nèi)耦合度量學習算法應用于跨視角步態(tài)識別研究�！ぬ岢隽司仃嚳臻g內(nèi)基于矩陣對齊的耦合度量學習框架,在此基礎上本文提出了二維耦合距離度量學習、二維耦合邊距Fisher分析、二維耦合線性判別分析、二維聯(lián)立判別分析和二維耦合間距判別分析五種基于矩陣空間的耦合度量學習算法,并使用中科院自動化所CASIA (B)步態(tài)庫的二維步態(tài)能量圖數(shù)據(jù)驗證了該框架下五種算法的有效性�！ぬ岢隽藦埩靠臻g內(nèi)基于張量對齊的耦合度量學習框架,此框架旨在解決高維異構數(shù)據(jù)識別問題,是向量和矩陣空間內(nèi)耦合度量學習方法在高維空間的表達形式�；诖丝蚣�,本文提出了基于張量空間的耦合距離度量學習、耦合邊距Fisher分析、耦合線性判別分析、聯(lián)立判別分析和耦合間距判別分析五種算法。另外,本文研究了基于Gabor表示的步態(tài)張量特征,并在CASIA(B)步態(tài)庫上驗證了基于張量空間內(nèi)耦合度量學習框架下算法在高維度異構數(shù)據(jù)下的優(yōu)越性。
【關鍵詞】：耦合度量學習 跨視角步態(tài)學習 矩陣對齊 張量對齊 跨域識別
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;TP18
【目錄】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 緒論12-24
• 1.1 課題背景及意義12-16
• 1.2 國內(nèi)外研究現(xiàn)狀16-21
• 1.2.1 跨視角步態(tài)識別概述16-20
• 1.2.2 耦合度量學習概述20-21
• 1.3 研究的主要內(nèi)容21-22
• 1.4 論文結構安排22-23
• 1.5 本章小結23-24
• 第二章 基于向量空間的耦合度量學習方法24-49
• 2.1 向量空間下耦合度量學習模型概述24-25
• 2.2 耦合距離度量學習25-28
• 2.3 耦合邊距Fisher分析28-31
• 2.4 聯(lián)立判別分析31-36
• 2.5 耦合間距判別分析36-40
• 2.6 實驗分析40-48
• 2.6.1 CASIA(B)步態(tài)庫40-41
• 2.6.2 步態(tài)能量圖41-42
• 2.6.3 實驗設置42-43
• 2.6.4 實驗結果及分析43-48
• 2.7 本章小結48-49
• 第三章 基于矩陣空間的耦合度量學習方法49-83
• 3.1 矩陣空間下耦合度量學習模型概述49-51
• 3.2 二維耦合距離度量學習51-55
• 3.3 二維耦合邊距Fisher分析55-60
• 3.4 二維耦合線性判別分析60-64
• 3.5 二維聯(lián)立判別分析64-70
• 3.6 二維耦合間距判別分析70-77
• 3.7 實驗分析77-82
• 3.7.1 實驗設置77-78
• 3.7.2 實驗結果及分析78-82
• 3.8 本章小結82-83
• 第四章 基于張量空間的耦合度量學習方法83-127
• 4.1 張量基礎83-86
• 4.2 張量空間下耦合度量學習模型概述86-88
• 4.3 基于張量對齊的耦合距離度量學習88-93
• 4.4 基于張量對齊的耦合邊距Fisher分析93-98
• 4.5 基于張量對齊的耦合線性判別分析98-103
• 4.6 基于張量對齊的聯(lián)立判別分析103-108
• 4.7 基于張量對齊的耦合間距判別分析108-116
• 4.8 實驗分析116-125
• 4.8.1 Gabor步態(tài)特征116-119
• 4.8.2 實驗設置119
• 4.8.3 實驗結果及分析119-125
• 4.9 本章小結125-127
• 第五章 總結與展望127-129
• 5.1 總結127-128
• 5.2 局限性和工作展望128-129
• 參考文獻129-136
• 致謝136-137
• 碩士期間研究成果137-139
• 學位論文評閱及答辯情況表139

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 田光見,趙榮椿;基于傅立葉描繪子的步態(tài)識別[J];計算機應用;2004年11期

2 田光見;趙榮椿;;一種步態(tài)識別方法[J];計算機科學;2005年09期

3 洪文,黃鳳崗,蘇菡;基于連續(xù)隱馬爾科夫模型的步態(tài)識別[J];應用科技;2005年02期

4 劉玉棟,蘇開娜,馬麗;一種基于模型的步態(tài)識別方法[J];計算機工程與應用;2005年09期

5 田光見,趙榮椿;步態(tài)識別綜述[J];計算機應用研究;2005年05期

6 趙子健;吳曉娟;;基于近似時空切片向量的步態(tài)識別方法研究[J];模式識別與人工智能;2005年05期

7 趙黎麗;侯正信;;步態(tài)識別問題的特點及研究現(xiàn)狀[J];中國圖象圖形學報;2006年02期

8 許文芳;吳清江;;步態(tài)識別綜述[J];福建電腦;2007年01期

9 彭彰;吳曉娟;楊軍;;基于肢體長度參數(shù)的多視角步態(tài)識別算法[J];自動化學報;2007年02期

10 韓旭;劉冀偉;么鍵;那幼超;王志良;;一種改進的步態(tài)識別方法[J];電子器件;2007年04期

中國重要會議論文全文數(shù)據(jù)庫 前8條

1 鄧玉春;劉世平;;自動步態(tài)識別方法研究綜述[A];2007通信理論與技術新發(fā)展——第十二屆全國青年通信學術會議論文集（上冊）[C];2007年

2 何衛(wèi)華;李平;文玉梅;葉波;袁海軍;;運用下肢關節(jié)角度信息進行步態(tài)識別[A];第十三屆全國圖象圖形學學術會議論文集[C];2006年

3 肖軍;蘇潔;鄭波;賈鵬宇;;智能仿生腿在不同路況下的步態(tài)識別系統(tǒng)研究[A];2007中國控制與決策學術年會論文集[C];2007年

4 張聰;明東;萬柏坤;;基于小波描述子和人體骨架模型的多視角融合步態(tài)識別[A];天津市生物醫(yī)學工程學會第29屆學術年會暨首屆生物醫(yī)學工程前沿科學研討會論文集[C];2009年

5 朱京紅;方帥;高明;方杰;;基于人工免疫模型的步態(tài)識別方法[A];第十四屆全國圖象圖形學學術會議論文集[C];2008年

6 葉波;文玉梅;李平;;基于核主元分析和支持向量機的步態(tài)識別算法[A];第十三屆全國圖象圖形學學術會議論文集[C];2006年

7 王科俊;閻濤;呂卓紋;;基于耦合度量學習的特征級融合方法及在步態(tài)識別中的應用[A];2013年中國智能自動化學術會議論文集（第三分冊）[C];2013年

8 王科俊;賁f[燁;;基于線性插值的特征模板構造的步態(tài)識別算法框架[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

中國重要報紙全文數(shù)據(jù)庫 前2條

1 編譯 劉東征;新型“步態(tài)密碼”給手機加把鎖[N];北京科技報;2005年

2 若水;分析步態(tài)識別身份[N];光明日報;2003年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 劉磊;基于多源信息的步態(tài)識別算法研究[D];河北工業(yè)大學;2015年

2 余杰;基于視頻的人體目標跟蹤與識別技術研究[D];電子科技大學;2016年

3 賁f[燁;基于人體運動分析的步態(tài)識別算法研究[D];哈爾濱工程大學;2010年

4 曾瑋;基于確定學習理論的人體步態(tài)識別研究[D];華南理工大學;2012年

5 張元元;基于序列統(tǒng)計特性的步態(tài)識別算法研究[D];山東大學;2010年

6 趙國英;基于視頻的步態(tài)識別[D];中國科學院研究生院（計算技術研究所）;2005年

7 薛召軍;基于小波變換和支持向量機相結合的步態(tài)識別新方法研究[D];天津大學;2007年

8 胡榮;人體步態(tài)識別研究[D];華中科技大學;2010年

9 顧磊;基于圖像序列的人體步態(tài)識別方法研究[D];南京理工大學;2008年

10 劉海濤;基于立體視覺的步態(tài)識別研究[D];中國科學技術大學;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 楊楠;基于視觸覺多特征融合的步態(tài)識別方法研究[D];河北工業(yè)大學;2015年

2 周浩理;復雜背景下多特征融合的人體步態(tài)識別研究[D];海南大學;2016年

3 李雪燕;視頻監(jiān)控中人體步態(tài)識別方法研究[D];長春工業(yè)大學;2016年

4 潘秀芳;基于手機的步態(tài)識別研究[D];燕山大學;2016年

5 羅璨;存在干擾因素情況下的步態(tài)識別統(tǒng)動力學初步探索[D];蘇州大學;2016年

6 張鵬;耦合度量學習理論及其在步態(tài)識別中的應用研究[D];山東大學;2016年

7 沈小康;基于Kinect的人體步態(tài)跟蹤與識別技術[D];山東大學;2016年

8 周潔;基于姿態(tài)與壓力信息的步態(tài)識別方法[D];西南交通大學;2016年

9 陳慶峰;基于確定學習理論的步態(tài)分析及在神經(jīng)退行性疾病分類中的應用[D];華南理工大學;2016年

10 陳玲;基于視頻流的步態(tài)識別系統(tǒng)研究與實現(xiàn)[D];暨南大學;2016年

，

本文編號：737384