基于核方法的支持向量机在人体动作识别中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 人体动作识别研究现状 | 第12-14页 |
| 1.2.2 支持向量机研究现状 | 第14-16页 |
| 1.3 本文研究的主要内容 | 第16-18页 |
| 2 支持向量机理论基础 | 第18-35页 |
| 2.1 统计学习理论 | 第18-23页 |
| 2.1.1 期望风险和经验风险 | 第19-21页 |
| 2.1.2 VC 维 | 第21-22页 |
| 2.1.3 推广性的界 | 第22-23页 |
| 2.2 最优化理论 | 第23-29页 |
| 2.2.1 最优化问题 | 第23-24页 |
| 2.2.2 最优化性条件 | 第24-26页 |
| 2.2.3 对偶理论 | 第26-29页 |
| 2.3 支持向量机 | 第29-34页 |
| 2.3.1 线性支持向量机 | 第29-32页 |
| 2.3.2 非线性支持向量机 | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 3.核方法 | 第35-47页 |
| 3.1 核方法简介 | 第35-37页 |
| 3.1.1 核方法基本原理 | 第35-37页 |
| 3.1.2 核方法的主要应用 | 第37页 |
| 3.2 核函数 | 第37-42页 |
| 3.2.1 内积与核函数 | 第38-39页 |
| 3.2.2 Mercer 定理 | 第39-41页 |
| 3.2.3 常用核函数 | 第41-42页 |
| 3.3 混合核函数 | 第42-46页 |
| 3.3.1 局部核函数 | 第42-43页 |
| 3.3.2 全局核函数 | 第43-44页 |
| 3.3.3 混合核函数的构造 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 基于混合核函数 SVM 的人体动作识别 | 第47-64页 |
| 4.1 运动目标检测与跟踪 | 第47-52页 |
| 4.1.1 运动目标检测 | 第47-49页 |
| 4.1.2 图像去噪 | 第49-50页 |
| 4.1.3 运动目标跟踪 | 第50-52页 |
| 4.2 人体动作识别 | 第52-53页 |
| 4.2.1 模板匹配法 | 第52-53页 |
| 4.2.2 状态空间法 | 第53页 |
| 4.2.3 基于统计关系学习模型的方法 | 第53页 |
| 4.3 基于混合核函数 SVM 的动作识别系统 | 第53-55页 |
| 4.3.1 系统设计 | 第53-54页 |
| 4.3.2 基于混合核函数 SVM 的验证实验 | 第54-55页 |
| 4.4 实验与结果分析 | 第55-63页 |
| 4.4.1 实验 | 第55-62页 |
| 4.4.2 实验结果分析 | 第62-63页 |
| 4.5 本章小结 | 第63-64页 |
| 5 总结与展望 | 第64-66页 |
| 5.1 全文工作总结 | 第64页 |
| 5.2 研究展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 个人简历 | 第71页 |
| 发表的学术论文 | 第71-72页 |
