基于机器学习的车辆目标识别方法
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·课题研究背景与意义 | 第7页 |
| ·图像识别的现状与趋势 | 第7-11页 |
| ·图像识别的概念 | 第7-8页 |
| ·图像识别的基本方法 | 第8-10页 |
| ·图像识别的应用领域 | 第10页 |
| ·图像识别的趋势 | 第10-11页 |
| ·本文研究内容与章节安排 | 第11-13页 |
| 第二章 机器学习方法基础 | 第13-35页 |
| ·机器学习方法概述 | 第13-17页 |
| ·机器学习任务 | 第13-14页 |
| ·泛化空间搜索 | 第14-16页 |
| ·机器学习评估 | 第16-17页 |
| ·机器学习展望 | 第17页 |
| ·人工神经网络 | 第17-28页 |
| ·神经网络的发展与特点 | 第17-21页 |
| ·神经网络的发展 | 第17-18页 |
| ·神经网络的特点 | 第18-21页 |
| ·BP神经网络 | 第21-28页 |
| ·BP网络简介 | 第21-22页 |
| ·BP网络的学习过程 | 第22-27页 |
| ·BP算法流程 | 第27页 |
| ·BP网络的优缺点 | 第27-28页 |
| ·支撑向量机 | 第28-34页 |
| ·线性SVM | 第28-31页 |
| ·线性可分SVM数学模型 | 第28-30页 |
| ·线性不可分情况的处理 | 第30-31页 |
| ·非线性SVM | 第31-33页 |
| ·SVM分类器从二类到多类的推广 | 第33-34页 |
| ·SVM的应用 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第三章 图像车辆目标识别 | 第35-51页 |
| ·车辆识别算法模型 | 第35页 |
| ·图像预处理 | 第35-43页 |
| ·图像分割 | 第35-39页 |
| ·基于种子填充算法的区域搜索 | 第39-41页 |
| ·疑似区域选择 | 第41-42页 |
| ·数据归一化与向量化 | 第42-43页 |
| ·车辆目标识别 | 第43-48页 |
| ·BP网络车辆目标识别 | 第43-46页 |
| ·网络结构设计 | 第43-45页 |
| ·网络参数设置 | 第45-46页 |
| ·SVM车辆目标识别 | 第46-48页 |
| ·核函数选择 | 第47页 |
| ·参数选择 | 第47-48页 |
| ·车辆识别算法流程 | 第48-49页 |
| ·本章小结 | 第49-51页 |
| 第四章 实验结果与分析 | 第51-61页 |
| ·平台环境 | 第51页 |
| ·图像识别学习库的构建 | 第51-52页 |
| ·图像预处理仿真实验及分析 | 第52-55页 |
| ·实验一：图像分割结果与分析 | 第52-55页 |
| ·实验二：区域搜索与区域选择 | 第55页 |
| ·车辆目标识别仿真实验及分析 | 第55-60页 |
| ·实验一：BP网络车辆识别 | 第57-59页 |
| ·实验一结果分析 | 第59页 |
| ·实验二：支撑向量机车辆识别 | 第59页 |
| ·实验二结果分析 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| ·总结 | 第61页 |
| ·展望 | 第61-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 在读期间研究成果 | 第69页 |
