基于支持向量机的视频对象提取技术研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-20页 |
| ·选题意义与研究背景 | 第10-12页 |
| ·国内外研究现状 | 第12-17页 |
| ·视频对象提取研究现状 | 第12-15页 |
| ·支持向量机研究现状 | 第15-17页 |
| ·本文研究的主要内容及结构安排 | 第17-20页 |
| 第2章 统计学习理论与支持向量机 | 第20-32页 |
| ·统计学习理论基础 | 第20-24页 |
| ·机器学习 | 第20-22页 |
| ·函数集的VC维 | 第22-23页 |
| ·结构风险最小化 | 第23-24页 |
| ·支持向量机基础 | 第24-32页 |
| ·支持向量机简介 | 第24-25页 |
| ·线性可分的最优分类面 | 第25-27页 |
| ·线性不可分的最优分类面 | 第27-28页 |
| ·核函数 | 第28-31页 |
| ·支持向量机的特点 | 第31-32页 |
| 第3章 视频对象提取过程中的典型算法及实现 | 第32-46页 |
| ·引言 | 第32页 |
| ·视频对象提取典型算法研究 | 第32-41页 |
| ·阂值分割法 | 第32-36页 |
| ·边缘检测法 | 第36-40页 |
| ·变化检测法 | 第40-41页 |
| ·图像的形态学处理 | 第41-44页 |
| ·二值腐蚀和膨胀 | 第42-43页 |
| ·二值开运算和闭运算 | 第43-44页 |
| ·本章小结 | 第44-46页 |
| 第4章 视频序列中前景对象粗提取 | 第46-58页 |
| ·引言 | 第46页 |
| ·视频对象粗提取流程 | 第46-47页 |
| ·改进的帧差法检测前景对象运动区域 | 第47-49页 |
| ·前景对象边缘匹配运算 | 第49-53页 |
| ·前景对象后处理 | 第53-55页 |
| ·运动对象填充 | 第53-54页 |
| ·形态学处理 | 第54-55页 |
| ·实验方法总结与实验结果分析 | 第55-58页 |
| 第5章 基于支持向量机的视频对象提取技术研究 | 第58-74页 |
| ·引言 | 第58页 |
| ·训练样本的特征提取 | 第58-62页 |
| ·改进的二叉树支持向量机在视频对象提取中的实现 | 第62-66页 |
| ·二叉树基本原理 | 第63页 |
| ·改进的BT-SVM训练和识别算法 | 第63-66页 |
| ·实验结果 | 第66-70页 |
| ·本文算法性能评价 | 第70-74页 |
| ·空间准确度评价 | 第70-71页 |
| ·时间一致性评价 | 第71-74页 |
| 第6章 总结与展望 | 第74-76页 |
| ·本文工作总结 | 第74-75页 |
| ·未来工作展望 | 第75-76页 |
| 参考文献 | 第76-82页 |
| 作者简介 | 第82-84页 |
| 攻读硕士学位期间发表的论文 | 第84-85页 |
| 致谢 | 第85页 |
