| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-12页 |
| ·课题研究的意义 | 第7-8页 |
| ·国内外的研究状况 | 第8-9页 |
| ·应用领域 | 第9-10页 |
| ·研究目标及内容 | 第10-11页 |
| ·本文研究思想及工作 | 第11-12页 |
| 第二章 支持向量机 | 第12-29页 |
| ·引言 | 第12-13页 |
| ·统计学习理论 | 第13-18页 |
| ·VC维 | 第14-15页 |
| ·推广性的界 | 第15-16页 |
| ·结构风险最小化(Structural Risk Minimization) | 第16-18页 |
| ·支持向量机 | 第18-26页 |
| ·最优超平面 | 第19-20页 |
| ·线性可分的情况 | 第20-21页 |
| ·线性不可分的情况 | 第21-23页 |
| ·支持向量机的学习算法 | 第23页 |
| ·支持向量机的训练算法 | 第23-26页 |
| ·基于向量机的人形检测方法 | 第26-29页 |
| ·应用小波变化提取特征 | 第27-28页 |
| ·复合 SVM 分类器 | 第28-29页 |
| 第三章 小波变换进行特征提取 | 第29-35页 |
| ·人形特征值提取的困难 | 第29页 |
| ·为什么采用小波变换提取特征值? | 第29-30页 |
| ·第二代小波变换的原理 | 第30-32页 |
| ·第二代小波变换的提出 | 第30页 |
| ·分裂 | 第30页 |
| ·预测 | 第30-31页 |
| ·更新 | 第31-32页 |
| ·提升的整型小波变换 | 第32-35页 |
| ·提升的整型小波变换公式 | 第32页 |
| ·提升的整型小波变换的结果 | 第32-33页 |
| ·R，G，B三个通道的小波变换结果 | 第33-34页 |
| ·特征向量 | 第34-35页 |
| 第四章 支持向量机的实现算法(SMO算法)及改进 | 第35-41页 |
| ·什么是 SMO算法 | 第35页 |
| ·SMO算法要解决的问题 | 第35-36页 |
| ·SMO算法的优点 | 第36页 |
| ·SMO算法的实现 | 第36-39页 |
| ·算法的三个部分 | 第36-37页 |
| ·两个拉格朗日乘子的解 | 第37页 |
| ·对两个拉格朗日乘子进行更新 | 第37-38页 |
| ·启发的选者两个拉格朗日乘子 | 第38页 |
| ·阈值b的计算 | 第38页 |
| ·错误缓冲区的使用 | 第38-39页 |
| ·SMO算法的缺点 | 第39页 |
| ·SMO算法的改进 | 第39-41页 |
| 第五章 训练样本库 | 第41-44页 |
| ·非人形样本库 | 第41页 |
| ·人形样本库 | 第41-44页 |
| ·人形库样式 | 第41-42页 |
| ·人形库的生成 | 第42-44页 |
| 第六章 训练和检测结果 | 第44-55页 |
| ·步步为营的训练方法(bootstrapping) | 第44-45页 |
| ·检测不同大小的人形方法 | 第45-47页 |
| ·检测不同大小人形的一般方法 | 第45-46页 |
| ·检测不同大小人形改进方法 | 第46-47页 |
| ·检测过程 | 第47-48页 |
| ·核函数的选择 | 第48页 |
| ·多级的识别过程 | 第48-49页 |
| ·线性核函数和非线性核函数的分类效果 | 第49-50页 |
| ·线性核函数分类效果 | 第49-50页 |
| ·非线性核函数的分类效果如下 | 第50页 |
| ·采用线性核函数的 SMO 算法的阈值b的修改 | 第50-52页 |
| ·线性核函数和非线性核函数的速度的比较 | 第52-53页 |
| ·识别的速度和识别错误率的关系 | 第53页 |
| ·最后总体识别率 | 第53-55页 |
| 第七章 总结和未来的展望 | 第55-57页 |
| ·总结 | 第55-56页 |
| ·未来的展望 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59-60页 |
| 附录 A 硕士研究生学位攻读期间发表论文 | 第60页 |