基于ISA的视频目标特征提取方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 特征提取方法 | 第10-11页 |
| 1.2.2 独立子空间分析ISA | 第11-13页 |
| 1.3 研究内容及章节安排 | 第13-15页 |
| 第2章 目标特征提取方法 | 第15-28页 |
| 2.1 SIFT | 第15-22页 |
| 2.1.1 二维高斯函数 | 第15-16页 |
| 2.1.2 图像的二维高斯模糊 | 第16-17页 |
| 2.1.3 尺度空间极值检测 | 第17-19页 |
| 2.1.4 关键点定位 | 第19-20页 |
| 2.1.5 关键点方向分配 | 第20-22页 |
| 2.2 稀疏编码 | 第22-25页 |
| 2.2.1 稀疏编码基本思路 | 第22-23页 |
| 2.2.2 学习算法 | 第23-25页 |
| 2.2.3 稀疏特征可视化 | 第25页 |
| 2.3 ISA | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于ISA的图像场景分类方法 | 第28-48页 |
| 3.1 独立子空间特征提取 | 第28-34页 |
| 3.1.1 ISA网络模型 | 第29-31页 |
| 3.1.2 ISA基元优化 | 第31-34页 |
| 3.2 BoW模型 | 第34-35页 |
| 3.3 空间金字塔匹配SPM | 第35-36页 |
| 3.4 K-means聚类 | 第36页 |
| 3.5 SVM分类器 | 第36-39页 |
| 3.5.1 线性可分 | 第36-38页 |
| 3.5.2 线性不可分 | 第38-39页 |
| 3.5.3 SVM用于多类分类 | 第39页 |
| 3.6 实验结果与分析 | 第39-47页 |
| 3.6.1 图像特征学习和特征基元 | 第40-42页 |
| 3.6.2 场景分类及相关参数 | 第42-45页 |
| 3.6.3 与常用经典方法的对比分析 | 第45-47页 |
| 3.7 本章小结 | 第47-48页 |
| 第4章 基于ISA网络的视频人体行为分类识别 | 第48-63页 |
| 4.1 神经网络 | 第48-50页 |
| 4.1.1 简单神经网络 | 第48-49页 |
| 4.1.2 深度神经网络 | 第49-50页 |
| 4.2 ISA深度网络结构 | 第50-53页 |
| 4.3 数据处理 | 第53-55页 |
| 4.3.1 数据归一化 | 第53页 |
| 4.3.2 PCA数据白化 | 第53-55页 |
| 4.4 实验结果与分析 | 第55-62页 |
| 4.4.1 特征提取过程 | 第56-59页 |
| 4.4.2 实验结果对比分析 | 第59-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 本文工作总结 | 第63-64页 |
| 5.2 未来工作展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第71页 |
