| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 目标识别研究现状 | 第13-16页 |
| 1.2.2 基于机器学习目标识别发展现状 | 第16-18页 |
| 1.3 论文主要工作和结构安排 | 第18-21页 |
| 第二章 图像目标识别基础理论 | 第21-34页 |
| 2.1 引言 | 第21页 |
| 2.2 目标识别方法 | 第21-26页 |
| 2.2.1 基于运动信息的方法 | 第21-24页 |
| 2.2.2 基于模板匹配的方法 | 第24-25页 |
| 2.2.3 基于统计学习模型的方法 | 第25-26页 |
| 2.3 基于机器学习的目标识别关键技术 | 第26-32页 |
| 2.3.1 机器学习概述 | 第26页 |
| 2.3.2 基本特征描述方法 | 第26-28页 |
| 2.3.3 经典分类器 | 第28-32页 |
| 2.4 目标识别框架 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于多分类器交互的目标识别方法 | 第34-51页 |
| 3.1 引言 | 第34页 |
| 3.2 特征与多分类器选取 | 第34-40页 |
| 3.2.1 目标特征选取 | 第34-37页 |
| 3.2.2 分类器性能测试 | 第37-40页 |
| 3.3 基于多分类器交互的识别方法 | 第40-45页 |
| 3.3.1 分类器交互具体流程 | 第40-42页 |
| 3.3.2 交互约束条件 | 第42-44页 |
| 3.3.3 分类器设计 | 第44-45页 |
| 3.4 实验结果与分析 | 第45-50页 |
| 3.4.1 实验数据分析 | 第45-47页 |
| 3.4.2 实验结果 | 第47-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于改进AdaBoost分类器的目标识别方法 | 第51-70页 |
| 4.1 引言 | 第51页 |
| 4.2 传统AdaBoost分类器算法原理 | 第51-61页 |
| 4.2.1 图像预处理 | 第51-53页 |
| 4.2.2 Haar‐like特征提取 | 第53-56页 |
| 4.2.3 弱分类器 | 第56-57页 |
| 4.2.4 强分类器 | 第57-59页 |
| 4.2.5 级联分类器 | 第59-61页 |
| 4.3 改进AdaBoost分类器 | 第61-65页 |
| 4.3.1 基于改进AdaBoost分类器的目标识别流程 | 第61-62页 |
| 4.3.2 改进弱分类器生成方法 | 第62-65页 |
| 4.3.3 改进阈值设置方法 | 第65页 |
| 4.4 实验结果与分析 | 第65-69页 |
| 4.4.1 实验结果与分析 | 第65-67页 |
| 4.4.2 实验结果 | 第67-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 论文总结 | 第70页 |
| 5.2 未来工作展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 作者在学期间取得的学术成果 | 第76页 |