| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·课题研究的背景及意义 | 第8页 |
| ·课题的研究现状 | 第8-12页 |
| ·国内外研究现状 | 第8-9页 |
| ·运动目标检测方法的发展现状 | 第9-10页 |
| ·运动目标分类方法的发展现状 | 第10-12页 |
| ·主要研究内容 | 第12页 |
| ·本文的结构安排 | 第12-14页 |
| 第二章 运动目标检测及特征提取 | 第14-28页 |
| ·常用的运动目标检测方法 | 第14-21页 |
| ·帧间差分法 | 第14-16页 |
| ·三帧帧间差分 | 第16-18页 |
| ·背景差分法 | 第18-20页 |
| ·本文选用的运动目标检测方法 | 第20-21页 |
| ·基于混合高斯背景建模的运动目标获取 | 第21-24页 |
| ·单高斯背景建模 | 第21-22页 |
| ·混合高斯背景建模 | 第22-24页 |
| ·后处理 | 第24-26页 |
| ·数学形态学滤波 | 第25页 |
| ·连通性分析去噪 | 第25-26页 |
| ·运动目标特征的选择 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 支持向量机的基本原理 | 第28-39页 |
| ·机器学习(Machine Learning， ML) | 第28-31页 |
| ·学习问题的表示 | 第28-29页 |
| ·经验风险最小化（Empirical Risk Minimization， REM） | 第29-30页 |
| ·复杂性和推广能力 | 第30-31页 |
| ·统计学习理论(Statistical Learning Theory， SLT) | 第31-32页 |
| ·VC 维（Vapnik & Chervonenkis Dimension） | 第31页 |
| ·推广性的界与结构风险最小化原则 | 第31-32页 |
| ·支持向量机分类 | 第32-37页 |
| ·SVM 基础知识 | 第32-33页 |
| ·线性支持向量机 | 第33-35页 |
| ·非线性支持向量机 | 第35-36页 |
| ·核函数 | 第36-37页 |
| ·支持向量的求解问题 | 第37-38页 |
| ·选块算法（Chunking Algorithm） | 第37页 |
| ·分解算法（Decomposition Algorithm） | 第37页 |
| ·序列最小优化算法(Sequential Minimal Optimization，SMO) | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 一种改进的 SVM 训练样本集缩减策略 | 第39-50页 |
| ·基于类中心的训练样本集缩减的研究 | 第39-40页 |
| ·SVM 训练研究 | 第39页 |
| ·模糊支持向量机与隶属度 | 第39-40页 |
| ·本文改进的训练样本集缩减策略 | 第40-46页 |
| ·改进方法的主要思想 | 第40-41页 |
| ·改进方法的具体实现 | 第41-44页 |
| ·改进方法的效果 | 第44-46页 |
| ·一种新的类中心的近似替代策略 | 第46-47页 |
| ·数据实验分析 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 运动目标分类仿真 | 第50-61页 |
| ·运动目标的检测 | 第50-52页 |
| ·样本集的生成 | 第52-55页 |
| ·样本集的格式 | 第52页 |
| ·运动目标特征的选择及提取 | 第52-55页 |
| ·基于 SVM 的目标分类仿真 | 第55-56页 |
| ·实验结果分析 | 第56-61页 |
| 第六章 总结与展望 | 第61-63页 |
| ·论文及工作研究总结 | 第61页 |
| ·展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 在学期间发表的论著及取得的科研成果 | 第68-69页 |
