| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第12-22页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 图像分类的应用及研究意义 | 第13-14页 |
| 1.3 研究难点 | 第14-17页 |
| 1.4 图像分类的国内外研究现状 | 第17-19页 |
| 1.5 迁移学习在图像分类中应用的研究现状 | 第19-20页 |
| 1.6 本文的主要研究内容和章节安排 | 第20-22页 |
| 2 图像分类的相关基础 | 第22-37页 |
| 2.1 图像底层特征 | 第22-31页 |
| 2.1.1 颜色特征 | 第22-24页 |
| 2.1.2 形状特征 | 第24-25页 |
| 2.1.3 纹理特征 | 第25-26页 |
| 2.1.4 几种图像特征提取算法 | 第26-31页 |
| 2.2 常用的分类器 | 第31-36页 |
| 2.2.1 KNN算法 | 第31-32页 |
| 2.2.2 K-means算法 | 第32-33页 |
| 2.2.3 决策树 | 第33页 |
| 2.2.4 BP神经网络 | 第33-34页 |
| 2.2.5 Boosting算法 | 第34-35页 |
| 2.2.6 SVM | 第35-36页 |
| 2.3 本章小结 | 第36-37页 |
| 3 图像分类在车型行人分类上的应用 | 第37-56页 |
| 3.1 引言 | 第37-38页 |
| 3.2 车型行人分类算法思路 | 第38-39页 |
| 3.3 HOG特征提取 | 第39-44页 |
| 3.4 主成分析法(PRINCIPAL COMPONENT ANALYSIS,PCA)降维 | 第44-47页 |
| 3.5 SVM分类器及参数优化 | 第47-50页 |
| 3.6 实验结果及分析 | 第50-55页 |
| 3.6.1 实验数据库 | 第51-52页 |
| 3.6.2 实验结果和分析 | 第52-55页 |
| 3.7 本章小结 | 第55-56页 |
| 4 基于迁移学习的图像分类研究 | 第56-73页 |
| 4.1 引言 | 第56-57页 |
| 4.2 算法思路 | 第57-59页 |
| 4.3 SURF特征提取 | 第59-61页 |
| 4.4 边际FISHER准则 | 第61-63页 |
| 4.4.1 传统MFA算法 | 第61-62页 |
| 4.4.2 改进的边际Fisher准则算法 | 第62-63页 |
| 4.5 迁移学习 | 第63-67页 |
| 4.5.1 训练样本对自适应筛选 | 第63-64页 |
| 4.5.2 域间迁移学习 | 第64-67页 |
| 4.6 实验 | 第67-72页 |
| 4.6.1 数据库 | 第67-68页 |
| 4.6.2 本文算法的具体实现和参数设置 | 第68-69页 |
| 4.6.3 实验结果及分析 | 第69-72页 |
| 4.7 本章小结 | 第72-73页 |
| 5 总结与展望 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 作者简历及攻读硕士学位期间的学术成果 | 第80页 |