| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 支持向量机国内外研究进展 | 第10-12页 |
| 1.2.2 多摄像机智能监控系统研究 | 第12页 |
| 1.3 论文主要工作及组织结构 | 第12-14页 |
| 2 支持向量机分类 | 第14-29页 |
| 2.1 统计学习理论 | 第14-16页 |
| 2.1.1 经验风险最小化 | 第14-15页 |
| 2.1.2 VC维 | 第15页 |
| 2.1.3 结构风险最小化 | 第15-16页 |
| 2.2 支持向量机基础 | 第16-22页 |
| 2.2.1 分类问题和分类机 | 第16-18页 |
| 2.2.2 最大间隔分类器 | 第18-21页 |
| 2.2.3 核函数 | 第21-22页 |
| 2.3 支持向量机分类 | 第22-28页 |
| 2.3.1 线性可分情况下的SVM模型 | 第22-25页 |
| 2.3.2 近似线性可分情况下的SVM模型 | 第25-26页 |
| 2.3.3 线性不可分情况下的SVM模型 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 运动目标检测算法 | 第29-49页 |
| 3.1 运动目标检测常见方法 | 第29-40页 |
| 3.1.1 帧差法 | 第29-34页 |
| 3.1.2 光流法 | 第34-37页 |
| 3.1.3 背景减法 | 第37-39页 |
| 3.1.4 几种运动目标检测算法的比较 | 第39-40页 |
| 3.2 基于混合高斯模型的运动目标检测 | 第40-44页 |
| 3.3 改进的基于混合高斯和支持向量机模型的运动目标检测方法 | 第44-48页 |
| 3.3.1 区域特征选取 | 第45-46页 |
| 3.3.2 基于混合高斯和支持向量机的运动目标检测算法 | 第46-48页 |
| 3.4 本章小结 | 第48-49页 |
| 4 基于多摄像机区域匹配的车辆识别算法研究 | 第49-70页 |
| 4.1 目标特征提取方法 | 第50-54页 |
| 4.1.1 Haar like特征 | 第50-51页 |
| 4.1.2 HOG特征 | 第51-53页 |
| 4.1.3 Hu不变矩 | 第53-54页 |
| 4.2 单一摄像机下基于运动目标提取的车辆识别 | 第54-63页 |
| 4.2.1 基于背景减法的运动目标提取 | 第55-57页 |
| 4.2.2 基于SVM分类器的车辆识别 | 第57-61页 |
| 4.2.3 实验与分析 | 第61-63页 |
| 4.3 基于匹配的多摄像机运动目标识别方法 | 第63-69页 |
| 4.3.1 区域匹配 | 第63-65页 |
| 4.3.2 D_S理论 | 第65-67页 |
| 4.3.3 基于匹配的多摄像机运动目标识别 | 第67-68页 |
| 4.3.4 实验结果 | 第68-69页 |
| 4.4 本章小结 | 第69-70页 |
| 5 结论和展望 | 第70-72页 |
| 5.1 工作小结 | 第70-71页 |
| 5.2 展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 附录 | 第78页 |