| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 基于计算机视觉的猪个体识别研究现状 | 第11-12页 |
| 1.2.2 特征区域识别领域相关研究现状 | 第12-14页 |
| 1.2.3 支持向量机分类应用领域相关研究现状 | 第14-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第二章 视频图像采集及目标提取 | 第18-26页 |
| 2.1 群养猪视频图像采集 | 第18-19页 |
| 2.2 猪个体目标的提取 | 第19-25页 |
| 2.2.1 图像增强 | 第19-21页 |
| 2.2.2 阈值分割及猪体轮廓提取 | 第21-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 猪只弦轴变换骨架及各分割区域的提取 | 第26-42页 |
| 3.1 猪只边界离散点的提取 | 第27-29页 |
| 3.1.1 曲率尺度空间算法 | 第27-29页 |
| 3.1.2 基于曲率尺度空间的离散点检测 | 第29页 |
| 3.2 Delaunay三角剖分 | 第29-33页 |
| 3.2.1 Delaunay三角剖分的定义 | 第29-31页 |
| 3.2.2 猪只Delaunay三角网的构建 | 第31-33页 |
| 3.3 弦强度计算及三角形合并 | 第33-37页 |
| 3.4 弦轴变换骨架及各分割区域树形拓扑结构的建立 | 第37-39页 |
| 3.5 特征区域形状描述子 | 第39-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第四章 基于SVM和树形拓扑结构的猪只特征区域识别 | 第42-56页 |
| 4.1 支持向量机简介 | 第42-45页 |
| 4.1.1 线性支持向量机 | 第42-44页 |
| 4.1.2 非线性支持向量机 | 第44-45页 |
| 4.2 特征加权支持向量机 | 第45-48页 |
| 4.2.1 特征重要性的度量 | 第46-47页 |
| 4.2.2 特征加权支持向量机算法步骤 | 第47-48页 |
| 4.3 猪只特征区域的识别 | 第48-54页 |
| 4.4 本章总结 | 第54-56页 |
| 第五章 实验结果及分析 | 第56-67页 |
| 5.1 样本库的建立 | 第56-57页 |
| 5.2 各支持向量机特征选择及权重分析 | 第57-61页 |
| 5.3 各支持向量机核函数及参数选择实验 | 第61-62页 |
| 5.4 特征区域的识别结果及分析 | 第62-65页 |
| 5.4.1 识别结果及分析 | 第62-63页 |
| 5.4.2 识别的位置误差及分析 | 第63-64页 |
| 5.4.3 与Hough聚类头尾识别算法对比 | 第64-65页 |
| 5.5 本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-70页 |
| 6.1 本文总结 | 第67-68页 |
| 6.2 未来展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间完成的科研成果 | 第75页 |