基于主成分分析的多传感器目标识别技术研究
| 摘要 | 第6-8页 |
| abstract | 第8-9页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题研究的背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 主成分分析的研究现状 | 第13-14页 |
| 1.2.2 图像特征的研究现状 | 第14-16页 |
| 1.2.3 分类器的研究现状 | 第16-17页 |
| 1.2.4 多传感器应用的研究现状 | 第17-18页 |
| 1.3 文章的主要研究工作与内容安排 | 第18-19页 |
| 第2章 图像的预处理及描述研究 | 第19-42页 |
| 2.1 多传感器目标识别过程 | 第19-20页 |
| 2.2 图像预处理 | 第20-28页 |
| 2.2.1 图像滤波与增强 | 第20-22页 |
| 2.2.2 图像分割 | 第22-27页 |
| 2.2.3 实验分析 | 第27-28页 |
| 2.3 特征选择与特征提取 | 第28-41页 |
| 2.3.1 颜色特征描述 | 第28-30页 |
| 2.3.2 纹理特征描述 | 第30-32页 |
| 2.3.3 形状特征描述 | 第32-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第3章 支持向量机分类器研究 | 第42-51页 |
| 3.1 分类器的比较 | 第42页 |
| 3.2 线性支持向量机与间隔最大化 | 第42-46页 |
| 3.2.1 线性可分支持向量机与硬间隔最大化 | 第43-45页 |
| 3.2.2 线性支持向量机与软间隔最大化 | 第45-46页 |
| 3.3 非线性支持向量机与核函数 | 第46-49页 |
| 3.4 支持向量机的应用与拓展 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 基于PCA的异类传感器融合算法研究 | 第51-63页 |
| 4.1 三种融合方式的原理介绍 | 第51-53页 |
| 4.2 不同种类传感器比较 | 第53-54页 |
| 4.3 主成分分析的研究 | 第54-60页 |
| 4.3.1 主成分分析的定义 | 第54页 |
| 4.3.2 主成分分析的基本原理 | 第54-57页 |
| 4.3.3 主成分的推导 | 第57-60页 |
| 4.4 实验分析 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 基于LBP-PCA多传感器目标识别 | 第63-74页 |
| 5.1 LBP纹理特征 | 第63-67页 |
| 5.1.1 LBP算子 | 第63-65页 |
| 5.1.2 LBP算子的旋转不变性 | 第65-66页 |
| 5.1.3 LBP算子的统一模式 | 第66-67页 |
| 5.1.4 LBP直方图 | 第67页 |
| 5.2 基于LBP-PCA的特征融合目标识别算法 | 第67-69页 |
| 5.3 实验结果与分析 | 第69-73页 |
| 5.4 本章小结 | 第73-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第81-82页 |
| 致谢 | 第82-83页 |
