支持向量机算法研究及其在目标检测上的应用
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 符号说明 | 第12-13页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 课题背景 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 论文的内容安排 | 第17-18页 |
| 第二章 支持向量机理论基础 | 第18-32页 |
| 2.1 支持向量机模型的建立 | 第18-28页 |
| 2.1.1 统计学习理论 | 第18-19页 |
| 2.1.2 最大间隔超平面 | 第19-21页 |
| 2.1.3 对偶问题 | 第21-22页 |
| 2.1.4 引入核函数的特征空间 | 第22-25页 |
| 2.1.5 软间隔与松弛变量 | 第25-28页 |
| 2.1.6 KKT条件 | 第28页 |
| 2.2 序列最小优化算法 | 第28-29页 |
| 2.3 多类别分类问题 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 SVM核函数选择及参数优化 | 第32-45页 |
| 3.1 粒子群优化算法与人工蜂群算法 | 第32-36页 |
| 3.1.1 粒子群优化算法 | 第32-34页 |
| 3.1.2 人工蜂群算法 | 第34-36页 |
| 3.2 使用群智能算法优化SVM参数 | 第36-40页 |
| 3.2.1 优化目标函数的选择 | 第36-37页 |
| 3.2.2 PSO-SVM | 第37-39页 |
| 3.2.3 ABC-SVM | 第39-40页 |
| 3.3 实验设计与结果 | 第40-44页 |
| 3.3.1 实验数据 | 第41-42页 |
| 3.3.2 实验设置及结果 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 图像预处理和特征提取 | 第45-53页 |
| 4.1 预处理 | 第45-46页 |
| 4.2 颜色特征 | 第46-49页 |
| 4.2.1 颜色空间 | 第47页 |
| 4.2.2 颜色空间的表示方法 | 第47-49页 |
| 4.3 纹理特征 | 第49-50页 |
| 4.3.1 纹理特征表示方法 | 第49-50页 |
| 4.4 整体特征模型 | 第50-52页 |
| 4.4.1 方向梯度直方图 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 基于E-SVM和K均值聚类的目标检测 | 第53-64页 |
| 5.1 E-SVM理论模型 | 第54-58页 |
| 5.1.1 模型简介 | 第54-56页 |
| 5.1.2 E-SVM算法 | 第56-57页 |
| 5.1.3 校准 | 第57-58页 |
| 5.2 基于E-SVM和K均值聚类的目标检测 | 第58-59页 |
| 5.3 目标检测中的评价指标 | 第59-61页 |
| 5.4 实验设置 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 结论与展望 | 第64-66页 |
| 6.1 论文总结 | 第64页 |
| 6.2 下一步工作 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士期间参与的工程项目和发表的论文 | 第71-72页 |
| 附件 | 第72页 |
