首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于多层次LBP算法及极限学习机算法的行为识别研究

摘要第5-6页
ABSTRACT第6-7页
第一章 绪论第10-17页
    1.1 研究背景及意义第10-11页
    1.2 国内外研究现状第11-13页
    1.3 本文主要研究内容及创新点第13-15页
    1.4 本文主要结构安排第15-17页
第二章 典型的行为识别系统简介第17-28页
    2.1 引言第17页
    2.2 特征提取算法综述第17-20页
        2.2.1 特征子空间法第18-19页
        2.2.2 统计学习理论方法第19-20页
        2.2.3 局部特征方法第20页
    2.3 经典分类器第20-25页
        2.3.1 极限学习机第21-23页
        2.3.2 支持向量机第23-24页
        2.3.3 K近邻分类器第24-25页
    2.4 LBP基本原理第25-27页
        2.4.1 传统LBP算法简介第25-26页
        2.4.2 传统局部二值模式的优势和劣势第26-27页
    2.5 本章小结第27-28页
第三章 基于小波多层次LBP算法的行为识别第28-41页
    3.1 Gabor小波原理介绍第28-30页
        3.1.1 二维Gabor小波变换原理第28-29页
        3.1.2 基于Gabor小波变换的行为特征提取第29-30页
    3.2 LBP直方图特征提取第30-32页
        3.2.1 二维Gabor小波变换原理第31-32页
    3.3 小波多层次LBP算法的特征提取第32-35页
    3.4 实验结果分析第35-40页
        3.4.1 分快模式尺寸的确定和不同分解层数的识别效果第36-37页
        3.4.2 ImageNet数据库上的实验第37-39页
        3.4.3 Pascal VOC2011数据库上的实验第39-40页
    3.5 本章小结第40-41页
第四章 基于Cholesky分解与在线极限学习机的行为识别第41-52页
    4.1 引言第41页
    4.2 Cholesky分解原理及在线极限学习机第41-43页
    4.3 基于Cholesky分解与极限学习机的行为识别算法第43-46页
    4.4 实验结果与分析第46-51页
        4.4.1 Pascal VOC2011数据库上的实验第46-49页
        4.4.2 ImageNet数据库上的实验第49-51页
    4.5 本章小结第51-52页
第五章 总结与展望第52-54页
    5.1 论文工作总结第52-53页
    5.2 下一步展望第53-54页
参考文献第54-59页
致谢第59-61页
附录 (攻读硕士学位期间发表和录用的学术论文)第61页

论文共61页,点击 下载论文
上一篇:高效的RFID防碰撞算法研究
下一篇:云存储数据完整性验证方案的研究