|
|
|
|
基于多核多示例学习的洗车行为识别方法研究 |
| |
| 论文目录 |
| |
| 摘要 | 第5-6页 | | Abstract | 第6页 | | 第1章 绪论 | 第9-14页 | | 1.1 研究背景及意义 | 第9页 | | 1.2 研究现状 | 第9-12页 | | 1.3 论文的研究内容与组织结构 | 第12-14页 | | 第2章 运动目标实时检测 | 第14-25页 | | 2.1 背景差分法 | 第14-16页 | | 2.1.1 背景差分法的原理 | 第14-16页 | | 2.1.2 背景模型 | 第16页 | | 2.2 ViBE算法 | 第16-18页 | | 2.2.1 建立背景模型 | 第17页 | | 2.2.2 前景运动目标检测 | 第17页 | | 2.2.3 背景模型更新 | 第17-18页 | | 2.3 ViBe改进算法 | 第18-24页 | | 2.3.1 ViBe算法的鬼影消除策略 | 第18-19页 | | 2.3.2 结合帧间差分的ViBe算法改进 | 第19页 | | 2.3.3 结合帧间差分改进的ViBe算法的验证分析 | 第19-24页 | | 2.4 本章小结 | 第24-25页 | | 第3章 运动目标特征提取 | 第25-37页 | | 3.1 HOG特征 | 第25-29页 | | 3.1.1 HOG特征主要思想 | 第25-26页 | | 3.1.2 HOG特征提取具体实现方法 | 第26-29页 | | 3.2 LBP特征 | 第29-31页 | | 3.2.1 LBP特征主要思想 | 第29-30页 | | 3.2.2 LBP特征提取具体实现方法 | 第30-31页 | | 3.3 HOG-LBP特征融合 | 第31-36页 | | 3.3.1 分层特征 | 第32-33页 | | 3.3.2 分层LBP与原始HOG特征的融合步骤 | 第33-35页 | | 3.3.3 HOG-LBP特征与传统特征提取对比分析 | 第35-36页 | | 3.4 本章小结 | 第36-37页 | | 第4章 多核多示例学习算法 | 第37-50页 | | 4.1 支持向量机 | 第37-41页 | | 4.1.1 支持向量机的主要思想 | 第38页 | | 4.1.2 支持向量机方法介绍 | 第38-40页 | | 4.1.3 多核支持向量机 | 第40-41页 | | 4.2 多示例学习算法 | 第41-42页 | | 4.2.1 多示例学习算法的主要思想 | 第41-42页 | | 4.2.2 多示例学习算法的具体步骤 | 第42页 | | 4.3 多核多示例学习算法MKSVM-MIL | 第42-45页 | | 4.3.1 构建词空间 | 第43页 | | 4.3.2 计算映射功能 | 第43-44页 | | 4.3.3 MKSVM-MIL算法 | 第44-45页 | | 4.4 实验和分析 | 第45-49页 | | 4.4.1 实验数据集和实验环境 | 第45页 | | 4.4.2 实验具体过程 | 第45-47页 | | 4.4.3 实验结果与分析 | 第47-49页 | | 4.5 本章小结 | 第49-50页 | | 结论 | 第50-52页 | | 参考文献 | 第52-57页 | | 致谢 | 第57页 |
|
|
|
|
广告服务