基于LS-SVM目标识别的研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·论文的选题背景及研究意义 | 第7-11页 |
| ·机器人研究的背景和意义 | 第7页 |
| ·移动机器人的发展 | 第7-8页 |
| ·机器人视觉 | 第8-9页 |
| ·支撑矢量机在机器人视觉处理中的应用 | 第9页 |
| ·支撑矢量机的研究现状 | 第9-11页 |
| ·本文的主要工作及结构安排 | 第11-13页 |
| ·论文的主要内容 | 第11页 |
| ·论文的结构安排 | 第11-13页 |
| 第二章 统计学习理论和支撑矢量机 | 第13-25页 |
| ·统计学习理论的本质 | 第13-17页 |
| ·基本概念和发展历程 | 第13-14页 |
| ·统计学习理论的核心内容 | 第14-17页 |
| ·支撑矢量机概述 | 第17-25页 |
| ·最优分类超平面 | 第18-19页 |
| ·线性支撑矢量机的建立 | 第19-21页 |
| ·核函数 | 第21页 |
| ·SVM在多类分类问题中的扩展 | 第21-25页 |
| 第三章 模式识别 | 第25-31页 |
| ·模式识别的基本概念 | 第25页 |
| ·模式识别方法的分类 | 第25-28页 |
| ·统计模式识别 | 第26页 |
| ·句法模式识别 | 第26-27页 |
| ·神经网络模式识别 | 第27页 |
| ·支撑矢量机模式识别 | 第27-28页 |
| ·模式识别的过程 | 第28-31页 |
| 第四章 SVM用于图像识别 | 第31-49页 |
| ·计算机视觉 | 第31-32页 |
| ·SVM用于基于表象的图像识别 | 第32-33页 |
| ·最小二乘支撑矢量机 | 第33-35页 |
| ·图像识别过程 | 第35-39页 |
| ·图像的预处理 | 第37页 |
| ·构建训练集并训练支撑矢量机分类器 | 第37-39页 |
| ·图像识别过程 | 第39页 |
| ·识别结果 | 第39-49页 |
| ·普通不加噪声的图像 | 第40-41页 |
| ·对加噪声的图像的识别 | 第41-45页 |
| ·对移位的图像的识别 | 第45-46页 |
| ·对移位并加噪声的图像的识别 | 第46-47页 |
| ·图像被部分遮盖后的识别效果 | 第47-49页 |
| 第五章 基于机器人平台的自动目标识别系统 | 第49-63页 |
| ·机器人平台概述 | 第49-54页 |
| ·机器人硬件平台 | 第49-51页 |
| ·机器人的软件系统 | 第51-54页 |
| ·固定目标的识别 | 第54-55页 |
| ·非固定目标的识别 | 第55-63页 |
| ·目标图像的获取 | 第55-56页 |
| ·目标图像的预处理 | 第56-60页 |
| ·目标识别的过程 | 第60-63页 |
| 第六章 总结与展望 | 第63-65页 |
| ·全文总结 | 第63页 |
| ·工作展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 研究成果 | 第71页 |
