基于支持向量机理论的车辆监控技术研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题背景与意义 | 第12-14页 |
| 1.2 车辆监控技术综述 | 第14-15页 |
| 1.3 支持向量机研究状况 | 第15-16页 |
| 1.4 支持向量机应用 | 第16页 |
| 1.5 本文组织结构 | 第16-18页 |
| 第二章 统计学习理论 | 第18-26页 |
| 2.1 机器学习 | 第18-23页 |
| 2.1.1 机器学习简介 | 第18-19页 |
| 2.1.2 机器学习理论的发展 | 第19-20页 |
| 2.1.3 机器学习模型 | 第20-21页 |
| 2.1.4 经验风险最小化 | 第21-22页 |
| 2.1.5 适应性和复杂性 | 第22-23页 |
| 2.2 统计学习理论 | 第23-24页 |
| 2.2.1 学习机器的 VC 维 | 第23-24页 |
| 2.2.2 泛化问题的界 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 支持向量机 | 第26-39页 |
| 3.1 支持向量机综述 | 第26页 |
| 3.2 SVM 相关理论 | 第26-28页 |
| 3.3 SVM 应用研究 | 第28页 |
| 3.3.1 模式识别 | 第28页 |
| 3.3.2 回归分析 | 第28页 |
| 3.4 支持向量机的基本原理 | 第28-32页 |
| 3.4.1 最优分类超平面 | 第28-30页 |
| 3.4.2 线性支持向量机 | 第30-31页 |
| 3.4.3 非线性支持向量机 | 第31-32页 |
| 3.5 支持向量机核函数 | 第32-34页 |
| 3.5.1 核函数存在性定理 | 第32-33页 |
| 3.5.2 核函数种类和特性 | 第33-34页 |
| 3.6 支持向量机模型 | 第34-39页 |
| 3.6.1 惩罚因子C | 第34-35页 |
| 3.6.2 训练算法介绍 | 第35-37页 |
| 3.6.3 SVM 学习算法的步骤 | 第37页 |
| 3.6.4 SVM 的泛化性能 | 第37-39页 |
| 第四章 支持向量机算法研究 | 第39-50页 |
| 4.1 引言 | 第39-40页 |
| 4.2 支持向量机与 KTT 条件 | 第40-41页 |
| 4.3 MLSVM 模型相关算法研究 | 第41-43页 |
| 4.3.1 MLSVM1 | 第41页 |
| 4.3.2 MLSVM2 | 第41页 |
| 4.3.3 多乘子优化的局限性 | 第41-42页 |
| 4.3.4 MLSVM3[13] | 第42-43页 |
| 4.4 NM-SVM 算法 | 第43-50页 |
| 第五章 车牌定位算法 | 第50-58页 |
| 5.1 车牌定位问题综述 | 第50页 |
| 5.2 图像预处理 | 第50-55页 |
| 5.2.1 图像增强 | 第50-51页 |
| 5.2.2 二值化 | 第51-52页 |
| 5.2.3 倾斜校正 | 第52-55页 |
| 5.3 传统车牌定位方法 | 第55-56页 |
| 5.3.1 基于灰度图像的车牌定位算法 | 第55页 |
| 5.3.2 基于彩色图像的车牌定位 | 第55-56页 |
| 5.4 利用图像信息差进行车牌定位的方法 | 第56-58页 |
| 5.4.1 算法综述 | 第56页 |
| 5.4.2 基本原理 | 第56-58页 |
| 第六章 基于支持向量机的车牌识别 | 第58-71页 |
| 6.1 算法综述 | 第58-60页 |
| 6.1.1 一对多方法 | 第58页 |
| 6.1.2 一对一方法 | 第58-59页 |
| 6.1.3 有向无环图方法 | 第59-60页 |
| 6.2 车牌字符识别 | 第60-69页 |
| 6.2.1 数字识别 | 第60-64页 |
| 6.2.2 汉字字符识别 | 第64-66页 |
| 6.2.3 车牌识别实验 | 第66-69页 |
| 6.3 实验总结 | 第69-71页 |
| 第七章 课题研究展望 | 第71-72页 |
| 参考文献 | 第72-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间发表的学术论文 | 第75-76页 |
| 上海交通大学学位论文答辩决议书 | 第76页 |
