基于支持向量机的视频对象自动分类方法研究
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第10-18页 |
| §1.1 问题的提出 | 第10页 |
| §1.2 国内外研究现状 | 第10-16页 |
| ·国外研究现状 | 第11-15页 |
| ·国内研究现状 | 第15-16页 |
| §1.3 本文工作 | 第16-17页 |
| §1.4 论文的组织结构 | 第17-18页 |
| 第二章 视频对象自动分类系统结构与主要技术 | 第18-29页 |
| §2.1 智能视频监控技术 | 第18-20页 |
| §2.2 视频对象自动分类系统结构 | 第20-22页 |
| §2.3 视频对象自动分类涉及的主要技术 | 第22-28页 |
| ·视频对象分类问题描述 | 第22页 |
| ·特征选择 | 第22-23页 |
| ·分类器技术 | 第23-28页 |
| ·时间一致性约束 | 第28页 |
| §2.4 本章小结 | 第28-29页 |
| 第三章 视频对象分类特征描述与提取 | 第29-36页 |
| §3.1 引言 | 第29页 |
| §3.2 基于形状的分类特征描述 | 第29-31页 |
| §3.3 基于运动的分类特征描述 | 第31-32页 |
| §3.4 分类特征选取与计算方法 | 第32-35页 |
| ·分类特征选取 | 第32-33页 |
| ·特征计算实验方法 | 第33-35页 |
| §3.5 本章小结 | 第35-36页 |
| 第四章 基于Adaboost的分类特征选择方法 | 第36-53页 |
| §4.1 Adaboost算法介绍 | 第36-37页 |
| §4.2 基于Adaboost的特征评价与选择 | 第37-40页 |
| §4.3 分类特征评价实验和结果分析 | 第40-52页 |
| ·实验方法 | 第40页 |
| ·实验结果与分析 | 第40-52页 |
| §4.4 本章小结 | 第52-53页 |
| 第五章 基于支持向量机的视频对象分类 | 第53-63页 |
| §5.1 统计学习理论与支持向量机 | 第53-57页 |
| ·统计学习理论 | 第53-54页 |
| ·支持向量机分类器 | 第54-57页 |
| §5.2 采用支持向量机分类器实现视频对象分类 | 第57-59页 |
| §5.3 视频对象分类实验与结果分析 | 第59-62页 |
| ·实验工具与步骤 | 第59页 |
| ·实验结果与分析 | 第59-62页 |
| §5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| §6.1 总结 | 第63页 |
| §6.2 展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-74页 |
| 作者在学期间取得的学术成果 | 第74页 |
