| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 课题研究的背景 | 第11-12页 |
| 1.1.2 课题研究的意义 | 第12页 |
| 1.2 国内外研究现状及成果 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文研究的主要内容 | 第14-16页 |
| 1.4 本文的结构安排 | 第16-18页 |
| 第二章 多分类器集成相关理论研究 | 第18-32页 |
| 2.1 概述 | 第18页 |
| 2.2 多分类器训练以及特征提取方法介绍 | 第18-25页 |
| 2.2.1 逻辑回归 | 第18-20页 |
| 2.2.2 SVM分类器 | 第20-22页 |
| 2.2.3 SRC分类器 | 第22-23页 |
| 2.2.4 K近邻 | 第23-24页 |
| 2.2.5 HOG特征提取 | 第24-25页 |
| 2.3 经典的集成学习的模型 | 第25-31页 |
| 2.3.1 集成学习的定义 | 第25-27页 |
| 2.3.2 Bagging模型 | 第27页 |
| 2.3.3 Adaboost模型 | 第27-29页 |
| 2.3.4 Random Forest模型 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于局部典型相关分析的分类器集成方法研究 | 第32-45页 |
| 3.1 概述 | 第32-33页 |
| 3.2 已有的分类器集成方法特点及本文的改进 | 第33-34页 |
| 3.3 基于典型相关分析的多分类器融合策略 | 第34-39页 |
| 3.3.1 典型相关分析的基本原理 | 第34-35页 |
| 3.3.2 基于典型相关分析的分类器融合决策模型 | 第35-36页 |
| 3.3.3 基于典型相关分析的多分类器融合策略 | 第36-39页 |
| 3.4 实验分析 | 第39-44页 |
| 3.4.1 实验中运用到的数据集介绍 | 第39-40页 |
| 3.4.2 待测样本K个近邻选择 | 第40-41页 |
| 3.4.3 多分类器训练 | 第41页 |
| 3.4.4 实验结果分析 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于局部多元伯努利的差异化分类器集成学习研究 | 第45-59页 |
| 4.1 概述 | 第45-46页 |
| 4.2 基于局部多元伯努利的差异化分类器集成策略 | 第46-51页 |
| 4.2.1 算法模型框架 | 第46-48页 |
| 4.2.2 算法介绍 | 第48-51页 |
| 4.3 实验分析 | 第51-57页 |
| 4.3.1 实验数据介绍 | 第51页 |
| 4.3.2 弱分类器介绍 | 第51-53页 |
| 4.3.3 近邻样本数M的选择 | 第53-54页 |
| 4.3.4 对比实验及结果分析 | 第54-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 自然场景中车牌识别系统的设计与实现 | 第59-66页 |
| 5.1 概述 | 第59页 |
| 5.2 开发系统工具的介绍 | 第59页 |
| 5.3 原型系统的框架结构 | 第59-62页 |
| 5.4 原型系统的实现 | 第62-65页 |
| 5.4.1 数据集介绍 | 第62页 |
| 5.4.2 车牌识别系统的操作简介 | 第62-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 工作总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 攻读硕士学位期间取得的研究成果 | 第75页 |