基于支持向量机的纸币识别方法的研究
| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1. 绪论 | 第9-13页 |
| 1.1 课题背景和意义 | 第9页 |
| 1.2 纸币识别技术概述 | 第9-10页 |
| 1.3 国内外纸币识别技术研究现状 | 第10-11页 |
| 1.3.1 特征提取技术 | 第11页 |
| 1.3.2 分类器设计 | 第11页 |
| 1.4 本文的主要内容和结构安排 | 第11-13页 |
| 2 图像识别技术基本原理 | 第13-16页 |
| 2.1 模式识别的概述 | 第13页 |
| 2.2 模式识别系统的组成 | 第13-14页 |
| 2.3 基于图像的模式识别方法 | 第14-16页 |
| 3 人民币纸币图像的预处理和特征提取 | 第16-28页 |
| 3.1 纸币图像的预处理 | 第17-24页 |
| 3.1.1 纸币图像增强 | 第17-18页 |
| 3.1.2 纸币图像的边缘检测 | 第18-23页 |
| 3.1.3 纸币图像的倾斜校正 | 第23-24页 |
| 3.2 纸币图像的特征提取 | 第24-28页 |
| 3.2.1 网格特征 | 第25页 |
| 3.2.2 可分性评价 | 第25-27页 |
| 3.2.3 特征值的提取 | 第27-28页 |
| 4 支持向量机理论 | 第28-45页 |
| 4.1 机器学习的模型 | 第28-31页 |
| 4.1.1 主要的学习问题 | 第29页 |
| 4.1.2 经验风险最小化原则 | 第29-30页 |
| 4.1.3 学习的复杂性和推广能力 | 第30-31页 |
| 4.2 统计学习理论 | 第31-34页 |
| 4.2.1 学习过程的一致性条件和VC维 | 第31-33页 |
| 4.2.2 学习机器推广性的界 | 第33页 |
| 4.2.3 结构风险最小化原则 | 第33-34页 |
| 4.3 支持向量机的理论基础 | 第34-44页 |
| 4.3.1 SVM分类思想 | 第34-35页 |
| 4.3.2 最优分类面 | 第35-39页 |
| 4.3.3 支持向量机 | 第39-41页 |
| 4.3.4 支持向量机模型的建立 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 5 基于SVM的纸币面向识别算法实现过程 | 第45-54页 |
| 5.1 基于遗传算法的SVM特征选择和参数优化 | 第45-49页 |
| 5.1.1 染色体的设计 | 第45-46页 |
| 5.1.2 适应度函数 | 第46页 |
| 5.1.3 GA-SVM系统框架 | 第46-49页 |
| 5.2 基于SVM算法的纸币面向识别 | 第49-51页 |
| 5.2.1 实验说明 | 第49-51页 |
| 5.2.2 实验结果及分析 | 第51页 |
| 5.3 基于BP神经网络的纸币面向识别 | 第51-53页 |
| 5.4 面向识别算法比较 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 研究展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表学术论文情况 | 第59-60页 |
| 致谢 | 第60-61页 |
| 作者简介 | 第61-62页 |
