| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-19页 |
| ·选题背景和意义 | 第8-9页 |
| ·目标检测技术及其研究现状 | 第9-15页 |
| ·单帧图像目标检测 | 第9-13页 |
| ·序列图像目标检测 | 第13-15页 |
| ·目标识别技术及其研究现状 | 第15-17页 |
| ·本文的创新点及内容安排 | 第17-19页 |
| 2 支持向量机和集成学习的理论知识 | 第19-36页 |
| ·统计学习理论 | 第19-22页 |
| ·统计学习一致性条件 | 第19-20页 |
| ·推广性的界 | 第20-21页 |
| ·结构风险最小化原则 | 第21-22页 |
| ·支持向量机的基本理论 | 第22-31页 |
| ·支持向量机模型 | 第22-28页 |
| ·支持向量机的核函数 | 第28-29页 |
| ·支持向量机多类分类方法的研究 | 第29-30页 |
| ·支持向量机的特点及其优势 | 第30-31页 |
| ·集成学习的基本理论 | 第31-36页 |
| ·集成学习的概念 | 第32-33页 |
| ·集成学习的框架 | 第33页 |
| ·典型的集成学习算法 | 第33-36页 |
| 3 图像预处理和目标区域的检测 | 第36-54页 |
| ·图像预处理 | 第36-40页 |
| ·彩色图像灰度化 | 第36-37页 |
| ·图像的平滑去噪 | 第37-40页 |
| ·图像边缘检测 | 第40-43页 |
| ·Robert 边缘算子 | 第41页 |
| ·Laplacian 边缘算子 | 第41-42页 |
| ·Prewitt 边缘算子 | 第42页 |
| ·Sobel 边缘算子 | 第42-43页 |
| ·基于边缘对称性和多特征融合的目标检测 | 第43-53页 |
| ·边缘检测及梯度统计 | 第44-48页 |
| ·对称性分析及候选区域验证 | 第48-50页 |
| ·基于多特征融合的目标外接矩形检测 | 第50-52页 |
| ·目标检测结果及分析 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 4 城区目标识别算法研究 | 第54-70页 |
| ·目标特征提取 | 第54-57页 |
| ·目标的全局特征 | 第55-56页 |
| ·目标的纹理特征 | 第56-57页 |
| ·基于支持向量机和集成学习的目标识别 | 第57-66页 |
| ·混合核函数及其参数选择分析 | 第57-59页 |
| ·AdaBoost 集成学习 | 第59-60页 |
| ·多类分类器树型结构设计 | 第60-61页 |
| ·基于混合核函数的AdaBoost-SVM 多类分类算法 | 第61-66页 |
| ·目标识别结果及分析 | 第66-68页 |
| ·本章小结 | 第68-70页 |
| 5 总结与展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-80页 |
| 附录 | 第80页 |