基于GMM和特征加权SVM的目标识别算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-8页 |
| 1 绪论 | 第8-14页 |
| ·课题的背景及意义 | 第8页 |
| ·相关技术概况 | 第8-12页 |
| ·图像预处理 | 第9-10页 |
| ·目标检测与分割 | 第10-11页 |
| ·自动目标识别算法 | 第11-12页 |
| ·主要研究内容 | 第12-14页 |
| 2 自适应小波阈值去噪算法 | 第14-24页 |
| ·小波去噪算法 | 第14-15页 |
| ·小波去噪原理 | 第14-15页 |
| ·常用小波去噪算法 | 第15页 |
| ·小波阈值去噪算法 | 第15-17页 |
| ·阈值函数 | 第16页 |
| ·阈值 | 第16-17页 |
| ·自适应小波阈值去噪算法 | 第17-19页 |
| ·小波分解 | 第17-18页 |
| ·小波基与小波分解层数的选择 | 第18页 |
| ·自适应小波阈值去噪 | 第18-19页 |
| ·算法步骤 | 第19页 |
| ·实验结果与分析 | 第19-23页 |
| ·本章小结 | 第23-24页 |
| 3 基于高斯混合模型的目标分割算法 | 第24-40页 |
| ·最大熵阈值分割 | 第24-26页 |
| ·最大熵阈值分割原理 | 第24-25页 |
| ·最大熵阈值分割算法 | 第25-26页 |
| ·最大熵阈值分割实现步骤 | 第26页 |
| ·基于高斯混合模型的最大熵阈值分割 | 第26-31页 |
| ·高斯混合模型的建立 | 第26-27页 |
| ·高斯混合模型的参数估计 | 第27-28页 |
| ·高斯混合模型最大熵算法步骤 | 第28-29页 |
| ·实验结果与分析 | 第29-31页 |
| ·基于高斯混合模型的运动目标检测 | 第31-34页 |
| ·高斯混合模型的建立 | 第32页 |
| ·高斯混合模型的参数更新 | 第32-33页 |
| ·背景及前景的检测 | 第33-34页 |
| ·改进的高斯混合模型 | 第34-38页 |
| ·改进的高斯混合模型建模 | 第34页 |
| ·随机噪声的抑制 | 第34-35页 |
| ·实验结果与分析 | 第35-38页 |
| ·本章小结 | 第38-40页 |
| 4 目标特征提取 | 第40-47页 |
| ·HU不变矩特征 | 第40-41页 |
| ·仿射不变矩 | 第41-42页 |
| ·轮廓特征 | 第42-43页 |
| ·实验结果与分析 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 5 基于特征加权的SVM的目标分类 | 第47-58页 |
| ·支持向量机分类思想 | 第47-49页 |
| ·支持向量机分类原理 | 第49-53页 |
| ·线性支持向量机 | 第49-50页 |
| ·非线性支持向量机 | 第50-52页 |
| ·支持向量机多类分类算法 | 第52-53页 |
| ·基于特征加权的支持向量机 | 第53-55页 |
| ·特征加权算法 | 第53页 |
| ·特征加权支持向量机 | 第53-54页 |
| ·算法步骤 | 第54-55页 |
| ·实验结果与分析 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-59页 |
| ·总结 | 第58页 |
| ·展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
