| 摘要 | 第1-6页 |
| ABSTRACT | 第6-13页 |
| 第一章 绪论 | 第13-19页 |
| ·研究背景 | 第13-14页 |
| ·研究现状 | 第14-15页 |
| ·本文的主要内容及研究工作 | 第15-17页 |
| ·本文的主要创新点 | 第17页 |
| ·总结 | 第17-19页 |
| 第二章 基于ADABOOST算法的视频目标检测识别技术 | 第19-35页 |
| ·Adaboost算法的训练步骤 | 第19-23页 |
| ·选择训练样本 | 第20-22页 |
| ·从样本中提取Haar特征 | 第22页 |
| ·从Haar特征生成弱分类器 | 第22-23页 |
| ·采用AdaBoost算法选取优化的弱分类器 | 第23页 |
| ·AdaBoost进行训练检测的基本原理 | 第23-26页 |
| ·其他的机器学习算法与对比 | 第26-29页 |
| ·检测识别技术的程序实现 | 第29-33页 |
| ·实现的程序框架 | 第29页 |
| ·视频分帧技术 | 第29-30页 |
| ·目标检测 | 第30-32页 |
| ·目标识别 | 第32-33页 |
| ·检测识别技术的应用 | 第33页 |
| ·总结 | 第33-35页 |
| 第三章 检测识别算法过程 | 第35-49页 |
| ·样本准备 | 第35-39页 |
| ·准备工作 | 第35-37页 |
| ·训练样本的创建 | 第37-39页 |
| ·训练样本集生成级联分类器 | 第39-40页 |
| ·测试级联分类器 | 第40-43页 |
| ·使用级联分类器进行目标检测与识别 | 第43-48页 |
| ·特征脸算法 | 第43页 |
| ·训练人脸图片得出人脸信息数据库 | 第43-46页 |
| ·利用人脸信息数据库目标识别 | 第46-48页 |
| ·总结 | 第48-49页 |
| 第四章 ADABOOST算法改进 | 第49-61页 |
| ·haar矩形特征多样化 | 第49页 |
| ·检测识别中进行场景变化检测 | 第49-51页 |
| ·融合其他检测识别算法 | 第51-57页 |
| ·结合sift算法 | 第51-52页 |
| ·adaboost算法结合sift算法的优点 | 第52-53页 |
| ·结合Humoment轮廓匹配算法 | 第53-56页 |
| ·adaboost算法结合Hu moments算法的优点 | 第56-57页 |
| ·Adaboost算法与其他检测识别算法的对比 | 第57-60页 |
| ·总结 | 第60-61页 |
| 第五章 实验结果与分析 | 第61-67页 |
| 第六章 总结与其应用展望 | 第67-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |
| 北京化工大学硕士研究生学位论文答辩委员会决议书 | 第78-79页 |