基于特征选择的天气识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外发展现状 | 第10-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 1.4 本文结构安排 | 第12-13页 |
| 第二章 相关工作介绍 | 第13-24页 |
| 2.1 特征提取方法 | 第13-17页 |
| 2.1.1 形状特征 | 第13-15页 |
| 2.1.2 颜色特征 | 第15页 |
| 2.1.3 纹理特征 | 第15-17页 |
| 2.1.4 运动特征 | 第17页 |
| 2.2 特征选择方法 | 第17-20页 |
| 2.2.1 ReliefF算法 | 第18-19页 |
| 2.2.2 CFS算法 | 第19-20页 |
| 2.3 分类器相关方法 | 第20-23页 |
| 2.3.1 支持向量机 | 第20-22页 |
| 2.3.2 Adaboost分类器 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于特征选择的天气识别 | 第24-35页 |
| 3.1 天气特征提取 | 第24-29页 |
| 3.1.1 稠密SIFT特征 | 第24-25页 |
| 3.1.2 HSV颜色特征 | 第25-26页 |
| 3.1.3 旋转不变LBP特征 | 第26-27页 |
| 3.1.4 对比度特征 | 第27页 |
| 3.1.5 梯度幅值特征 | 第27-29页 |
| 3.2 基于多特征广义多核学习天气识别 | 第29-31页 |
| 3.2.1 特征融合 | 第29-30页 |
| 3.2.2 广义多核学习 | 第30-31页 |
| 3.3 基于多特征组合支持向量机天气识别 | 第31-34页 |
| 3.3.1 组合分类器的组合策略 | 第32页 |
| 3.3.2 组合支持向量机参数寻优 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 实验结果与分析 | 第35-45页 |
| 4.1 数据集 | 第35-36页 |
| 4.1.1 全景场景数据集 | 第35页 |
| 4.1.2 固定角度数据集 | 第35-36页 |
| 4.1.3 交通场景数据集 | 第36页 |
| 4.2 评价指标 | 第36-37页 |
| 4.3 本文方法性能评价 | 第37-42页 |
| 4.3.1 MGMKL的性能评价 | 第37-38页 |
| 4.3.2 MCSVM的性能评价 | 第38-42页 |
| 4.4 相关方法比较 | 第42-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第五章 总结与展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50-51页 |
| 在学期间公开发表论文情况 | 第51页 |
