多源视觉场景下目标特征数据融合与识别技术的研究
| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 图像特征提取的研究现状 | 第13页 |
| 1.2.2 图像融合的研究现状 | 第13-14页 |
| 1.2.3 目标识别的研究现状 | 第14-15页 |
| 1.3 图像融合层次的比较 | 第15-17页 |
| 1.4 论文的组织结构 | 第17-19页 |
| 第2章 图像特征提取 | 第19-32页 |
| 2.1 图像的预处理 | 第19-22页 |
| 2.1.1 图像滤波方法 | 第19-21页 |
| 2.1.2 图像增强方法 | 第21-22页 |
| 2.2 图像特征值提取方法研究 | 第22-27页 |
| 2.2.1 灰度共生矩阵特征提取 | 第22-24页 |
| 2.2.2 小波不变矩特征提取 | 第24-25页 |
| 2.2.3 Hu不变矩特征提取 | 第25-26页 |
| 2.2.4 仿射不变矩特征提取 | 第26-27页 |
| 2.3 特征提取结果分析 | 第27-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于支持向量机的多分类识别技术 | 第32-45页 |
| 3.1 支持向量机简介 | 第32-34页 |
| 3.1.1 线性分类 | 第33页 |
| 3.1.2 最大间隔与支持向量 | 第33-34页 |
| 3.2 目标分类的三种情况 | 第34-40页 |
| 3.2.1 数据线性可分 | 第35-36页 |
| 3.2.2 数据非线性可分 | 第36-38页 |
| 3.2.3 干扰造成的数据非线性可分 | 第38-40页 |
| 3.3 改进的支持向量机多分类算法 | 第40-43页 |
| 3.3.1 一对其余 | 第41-42页 |
| 3.3.2 一对一 | 第42页 |
| 3.3.3 有向无环图 | 第42-43页 |
| 3.3.4 编码纠错分类法 | 第43页 |
| 3.3.5 决策树分类法 | 第43页 |
| 3.4 本章小结 | 第43-45页 |
| 第4章 多元统计分析特征融合 | 第45-59页 |
| 4.1 基于协方差矩阵的特征融合 | 第45-51页 |
| 4.1.1 协方差矩阵的构造 | 第46-47页 |
| 4.1.2 协方差矩阵的相关系数 | 第47-48页 |
| 4.1.3 协方差矩阵的距离度量 | 第48-49页 |
| 4.1.4 实验结果与分析 | 第49-51页 |
| 4.2 基于主成分分析的特征融合 | 第51-57页 |
| 4.2.1 主成分分析的原理和数学模型 | 第52-54页 |
| 4.2.2 主成分的推导 | 第54-55页 |
| 4.2.3 实验结果与分析 | 第55-57页 |
| 4.3 本章小结 | 第57-59页 |
| 第5章 基于偏最小二乘分析的特征融合方法 | 第59-71页 |
| 5.1 偏最小二乘分析 | 第60-64页 |
| 5.1.1 偏最小二乘分析算法基本思想 | 第60-63页 |
| 5.1.2 非迭代偏最小二乘分析算法 | 第63-64页 |
| 5.1.3 共轭正交偏最小二乘分析法 | 第64页 |
| 5.2 实验与分析 | 第64-69页 |
| 5.3 本章小结 | 第69-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第78-79页 |
| 致谢 | 第79-80页 |
