基于双模态特征和支持向量机的视频自动分类算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 本文研究的背景及意义 | 第11-13页 |
| 1.2 国内外相关课题的研究动态 | 第13-14页 |
| 1.3 本文的创新性工作 | 第14-15页 |
| 1.4 本文的研究内容及结构安排 | 第15-17页 |
| 第二章 理论基础 | 第17-52页 |
| 2.1 引言 | 第17-18页 |
| 2.2 双模态特征的分析和提取 | 第18-39页 |
| 2.2.1 视觉特征的分析和提取 | 第18-31页 |
| 2.2.2 音频特征的分析和提取 | 第31-39页 |
| 2.3 支持向量机（SVM）理论 | 第39-50页 |
| 2.3.1 广义最优分类面 | 第40-43页 |
| 2.3.2 支持向量机的二分类算法 | 第43-45页 |
| 2.3.3 支持向量机的多分类算法 | 第45-48页 |
| 2.3.4 支持向量机的性质及实现 | 第48-50页 |
| 2.4 本章小结 | 第50-52页 |
| 第三章 基于二次预测机制的视频多分类算法 | 第52-69页 |
| 3.1 引言 | 第52页 |
| 3.2 基于支持向量机的视频自动分类系统 | 第52-56页 |
| 3.2.1 视频自动分类系统框架 | 第52-55页 |
| 3.2.2 视频自动分类算法流程 | 第55-56页 |
| 3.3 特征选择与提取 | 第56-57页 |
| 3.4 支持向量机的多分类器设计 | 第57-62页 |
| 3.4.1 支持向量机的分类决策算法 | 第57-59页 |
| 3.4.2 基于1-1 方法的二次预测机制 | 第59-62页 |
| 3.5 仿真实验结果及分析 | 第62-68页 |
| 3.5.1 实验环境 | 第62-63页 |
| 3.5.2 单个描述子的分类准确率比较 | 第63-65页 |
| 3.5.3 不同多分类算法的准确率比较 | 第65-66页 |
| 3.5.4 视频总体分类准确率比较 | 第66-68页 |
| 3.6 本章小结 | 第68-69页 |
| 第四章 基于双模态特征的恐怖暴力场景识别算法 | 第69-83页 |
| 4.1 引言 | 第69-70页 |
| 4.2 双模态特征的选择与提取 | 第70-73页 |
| 4.2.1 视觉特征 | 第70-71页 |
| 4.2.2 音频特征 | 第71-73页 |
| 4.3 恐怖暴力场景识别系统 | 第73-76页 |
| 4.3.1 恐怖暴力场景识别框架 | 第73-75页 |
| 4.3.2 恐怖暴力场景识别流程 | 第75-76页 |
| 4.4 仿真实验结果及分析 | 第76-82页 |
| 4.4.1 实验环境 | 第76页 |
| 4.4.2 评测标准 | 第76-77页 |
| 4.4.3 实验结果 | 第77-79页 |
| 4.4.4 误差分析 | 第79-82页 |
| 4.5 本章小结 | 第82-83页 |
| 第五章 结束语 | 第83-85页 |
| 5.1 本文创新工作 | 第83-84页 |
| 5.2 未来展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-90页 |
| 攻读硕士学位期间已发表或录用的论文 | 第90页 |
| 攻读硕士学位期间参加的课题与项目 | 第90-93页 |
| 上海交通大学硕士学位论文答辩决议书 | 第93页 |
