基于在线学习理论的目标检测技术
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 中英文缩写对照表 | 第10-11页 |
| 1 绪论 | 第11-24页 |
| ·引言 | 第11-13页 |
| ·国内外研究现状 | 第13-16页 |
| ·在线学习 | 第16-20页 |
| ·主要研究内容 | 第20-22页 |
| ·课题来源及内容安排 | 第22-24页 |
| 2 在线学习基础理论 | 第24-41页 |
| ·boosting算法 | 第25-26页 |
| ·在线boosting算法 | 第26-30页 |
| ·基于在线Adaboost算法的目标检测 | 第30-40页 |
| ·本章小结 | 第40-41页 |
| 3 基于在线学习的自适应级联分类器 | 第41-56页 |
| ·级联分类器算法 | 第41-45页 |
| ·自适应级联分类器算法 | 第45-50页 |
| ·基于自适应级联分类器的目标检测 | 第50-51页 |
| ·实验结果及分析 | 第51-55页 |
| ·本章小结 | 第55-56页 |
| 4 基于在线学习的目标检测跟踪系统 | 第56-77页 |
| ·基于跟踪验证的目标检测系统 | 第57-58页 |
| ·粒子滤波跟踪原理 | 第58-62页 |
| ·基于级联分类器的粒子滤波跟踪 | 第62-66页 |
| ·基于多信息融合粒子滤波跟踪的检测结果验证 | 第66-71页 |
| ·实验结果及分析 | 第71-75页 |
| ·本章小结 | 第75-77页 |
| 5 基于在线学习的维数递增弱线性回归树算法 | 第77-105页 |
| ·分类树算法 | 第78-82页 |
| ·基于统计理论的Adaboost算法分析 | 第82-91页 |
| ·维数递增的弱线性回归树 | 第91-97页 |
| ·弱线性回归树的在线学习 | 第97-100页 |
| ·实验结果及分析 | 第100-104页 |
| ·本章小结 | 第104-105页 |
| 6 总结与展望 | 第105-109页 |
| ·研究工作总结 | 第105-107页 |
| ·本文的创新之处 | 第107页 |
| ·进一步研究展望 | 第107-109页 |
| 致谢 | 第109-110页 |
| 参考文献 | 第110-119页 |
| 附录1A 攻读学位期间发表的学术论文目录 | 第119-120页 |
| 附录1B 公开发表的学术论文与博士学位论文的关系 | 第120-121页 |
| 附录2 攻读学位期间参与课题 | 第121页 |
