| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-20页 |
| ·研究背景及选题意义 | 第10-12页 |
| ·国内外研究动态 | 第12-18页 |
| ·机器学习方法综述 | 第12-14页 |
| ·AdaBoost算法研究现状 | 第14-16页 |
| ·SVM国内外研究现状 | 第16-18页 |
| ·论文的主要工作与特点 | 第18-19页 |
| ·论文的组织结构 | 第19-20页 |
| 第二章 AdaBoost机器学习算法 | 第20-30页 |
| ·Boosting方法 | 第20-21页 |
| ·AdaBoost算法 | 第21-25页 |
| ·Adaboost算法原理 | 第22-23页 |
| ·AdaBoost训练算法 | 第23-25页 |
| ·AdaBoost级联算法 | 第25-29页 |
| ·积分图 | 第26-27页 |
| ·AdaBoost级联分类器训练 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 支持向量机 | 第30-38页 |
| ·支持向量机理论背景 | 第30-31页 |
| ·数学模型 | 第31-36页 |
| ·线性可分情况 | 第32-34页 |
| ·线性不可分情况 | 第34-35页 |
| ·非线性情况 | 第35-36页 |
| ·核函数 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 AdaBoost-SVM级联分类器设计与分析 | 第38-52页 |
| ·AdaBoost-SVM级联算法的设计 | 第38-42页 |
| ·测试环境 | 第42-44页 |
| ·图像库介绍 | 第42-44页 |
| ·LibSVM工具包 | 第44页 |
| ·测试方法 | 第44-49页 |
| ·图像分割 | 第44-45页 |
| ·特征提取 | 第45-46页 |
| ·核函数的选择 | 第46-47页 |
| ·SMO训练算法 | 第47-49页 |
| ·实验结果与分析 | 第49-50页 |
| ·小结 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| ·总结 | 第52页 |
| ·不足与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-60页 |
| 攻读学位期间的研究成果与参与的科研项目 | 第60页 |