基于改进的主动形状模型的叶形分类与步态识别

论文摘要

本文基于ASM算法的思想,使用了改进的算法和程序对叶形分类和步态识别进行探讨。在进行叶片分类进程中,分别应用覆盖面积半径和生物学参照点进行伸缩变换和旋转变换,使归一化后的叶片更符合生物学特征；在分类时通过设置相似度阈值,强化了同类的标准,从而减少了一些非同类的误归入事件的发生；最后设计了三组实验来研究各影响因素独立变化时对识别率的影响,经过这些改进,本文实现植物叶片批量识别和分类,提供了一种查询错分分布的方法并指出提高识别率的研究方向。在进行步态识别时,首先将侧影进行分割、填充、归一化等预处理。根据Lee提出方法将人体划分成七个不同的子区域,分别计算每个子区域的质心建立主动形状模型；在选取特征提取的算法时将考虑两种：（1）上半肢变化的因素舍弃在外,仅仅考虑腿部,特别是前端腿部的变化；（2）全身变化的因素。我们在中国科学院数据库NLPR的侧面视角数据库上尝试三种不同的分类方法,即最近邻分类器（NN）,K-最近邻分类器（kNN）,并与最近标本分类器（ENN）来区分不同的样本。本文提出了新步态表示方案,实验结果良好,因而具有较好的研究前景。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 引言
• 1.2 本文的主体结构
• 第二章 ASM模型
• 2.1 模型介绍
• 2.2 地标点
• 2.3 概率的主成分分析
• 2.4 分类与识别
• 第三章 主动形状模型在植物叶形的分类的应用
• 3.1 简介
• 3.2 图库简介
• 3.3 叶片形状的表达
• 3.3.1 叶片形状的表达
• 3.3.2 叶片形状的归一化
• 3.4 批量化识别与分类
• 3.5 实验设计及结果
• 3.6 结论
• 第四章 主动形状模型在步态识别的分类的应用
• 4.1 概述
• 4.2 图像预处理
• 4.3 建立人体形状的ASM模型
• 4.4 实验设计及结果
• 第五章 总结
• 5.1 研究总结
• 5.2 研究展望
• 主要参考文献
• 致谢
• 硕士三年期间发表的论文目录