基于随机森林算法的目标检测与动作识别方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 目标检测国内外现状 | 第13-14页 |
| 1.2.2 动作识别国内外现状 | 第14-15页 |
| 1.3 论文内容及组织结构 | 第15-17页 |
| 1.3.1 论文研究内容 | 第15页 |
| 1.3.2 论文组织结构 | 第15-17页 |
| 第2章 随机森林模型 | 第17-29页 |
| 2.1 分类器算法简述 | 第17-25页 |
| 2.1.1 决策树 | 第17-21页 |
| 2.1.2 分类器组合方法 | 第21-23页 |
| 2.1.3 随机森林算法 | 第23-25页 |
| 2.2 随机森林理论分析 | 第25-27页 |
| 2.2.1 随机森林模型 | 第25-26页 |
| 2.2.2 随机森林算法回归模型 | 第26-27页 |
| 2.3 随机森林算法应用 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于随机森林算法的目标检测 | 第29-61页 |
| 3.1 图像特征提取 | 第29-36页 |
| 3.1.1 Lab颜色信息 | 第29-30页 |
| 3.1.2 Haar小波变换 | 第30-32页 |
| 3.1.3 方向梯度直方图 | 第32-35页 |
| 3.1.4 Haar方向梯度描述子 | 第35-36页 |
| 3.2 增量式随机森林检测方法 | 第36-49页 |
| 3.2.1 霍夫森林 | 第36-38页 |
| 3.2.2 增量式随机森林 | 第38-45页 |
| 3.2.3 Meanshift检测 | 第45-48页 |
| 3.2.4 训练与检测框架 | 第48-49页 |
| 3.3 实验结果及分析 | 第49-60页 |
| 3.3.1 数据集与实验环境 | 第49-51页 |
| 3.3.2 评价标准 | 第51页 |
| 3.3.3 结果分析 | 第51-60页 |
| 3.4 本章小结 | 第60-61页 |
| 第4章 基于随机森林算法的动作识别 | 第61-75页 |
| 4.1 光流运动估计 | 第61-66页 |
| 4.1.1 光流法的基本内容 | 第61-63页 |
| 4.1.2 大位移光流 | 第63-66页 |
| 4.2 增量式随机森林模型 | 第66-70页 |
| 4.2.1 算法流程 | 第66-67页 |
| 4.2.2 构造模型 | 第67-69页 |
| 4.2.3 生成动作空间图 | 第69-70页 |
| 4.3 实验结果及分析 | 第70-74页 |
| 4.3.1 数据集 | 第70-71页 |
| 4.3.2 分析及比较结果 | 第71-74页 |
| 4.4 本章小结 | 第74-75页 |
| 第5章 总结与展望 | 第75-77页 |
| 5.1 本文工作总结 | 第75页 |
| 5.2 展望 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 作者简介及科研成果 | 第82-83页 |
| 致谢 | 第83页 |
