支持向量机在嵌入式图像识别中的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题的研究背景和意义 | 第10-11页 |
| 1.2 国内外的研究现状 | 第11-14页 |
| 1.2.1 支持向量机的研究现状 | 第11-13页 |
| 1.2.2 支持向量机在嵌入式系统中的研究现状 | 第13-14页 |
| 1.3 本文的工作 | 第14页 |
| 1.4 论文结构 | 第14-16页 |
| 第二章 支持向量机 | 第16-29页 |
| 2.1 统计学习理论 | 第16-19页 |
| 2.1.1 机器学习的问题表述 | 第16-17页 |
| 2.1.2 经验风险最小化 | 第17页 |
| 2.1.3 函数集的复杂性和推广能力 | 第17-18页 |
| 2.1.4 VC 维和结构风险最小化 | 第18-19页 |
| 2.2 支持向量机分类 | 第19-27页 |
| 2.2.1 线性情况 | 第19-22页 |
| 2.2.2 非线性情况 | 第22-23页 |
| 2.2.3 核函数 | 第23-25页 |
| 2.2.4 SVM 求解算法 | 第25-26页 |
| 2.2.5 多分类支持向量机 | 第26-27页 |
| 2.3 支持向量机回归 | 第27-29页 |
| 第三章 传统图像识别 | 第29-37页 |
| 3.1 图像识别概述 | 第29-30页 |
| 3.2 CMU PIE 人脸库 | 第30页 |
| 3.3 图像预处理 | 第30-31页 |
| 3.3.1 图像的灰度化 | 第30页 |
| 3.3.2 平滑滤波 | 第30-31页 |
| 3.3.3 直方图均衡化 | 第31页 |
| 3.4 Gabor 特征提取 | 第31-33页 |
| 3.5 贝叶斯分类器 | 第33-37页 |
| 3.5.1 贝叶斯定理 | 第33-34页 |
| 3.5.2 朴素贝叶斯 | 第34-36页 |
| 3.5.3 分类结果 | 第36-37页 |
| 第四章 基于支持向量机的图像识别研究 | 第37-44页 |
| 4.1 基于支持向量机的图像识别 | 第37-38页 |
| 4.2 核参数寻优 | 第38-40页 |
| 4.2.1 编码 | 第39页 |
| 4.2.2 适应度函数设计 | 第39页 |
| 4.2.3 遗传算子 | 第39-40页 |
| 4.2.4 参数寻优结果 | 第40页 |
| 4.3 多分类方法结果 | 第40-43页 |
| 4.4 与传统图像识别比较 | 第43-44页 |
| 第五章 基于支持向量机的嵌入式图像识别 | 第44-55页 |
| 5.1 嵌入式 SVM 图像识别 | 第44-48页 |
| 5.1.1 嵌入式系统特点 | 第44-45页 |
| 5.1.2 嵌入式 SVM 图像识别 | 第45-48页 |
| 5.2 嵌入式浮点数运算优化 | 第48-51页 |
| 5.2.1 定点数和浮点数表示 | 第48页 |
| 5.2.2 浮点数转化为定点数 | 第48-50页 |
| 5.2.3 嵌入式定点整数运算优化 | 第50-51页 |
| 5.3 改进的嵌入式图像识别 | 第51-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 详摘细要 | 第63-66页 |
