声明
摘要
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 支持向量机国内外研究进展
1.2.2 多摄像机智能监控系统研究
1.3 论文主要工作及组织结构
2 支持向量机分类
2.1 统计学习理论
2.1.1 经验风险最小化
2.1.2 VC维
2.1.3 结构风险最小化
2.2 支持向量机基础
2.2.1 分类问题和分类机
2.2.2 最大间隔分类器
2.2.3 核函数
2.3 支持向量机分类
2.3.1 线性可分情况下的SVM模型
2.3.2 近似线性可分情况下的SVM模型
2.3.3 线性不可分情况下的SVM模型
2.4 本章小结
3 运动目标检测算法
3.1 运动目标检测常见方法
3.1.1 帧差法
3.1.2 光流法
3.1.3 背景减法
3.1.4 几种运动目标检测算法的比较
3.2 基于混合高斯模型的运动目标检测
3.3 改进的基于混合高斯和支持向量机模型的运动目标检测方法
3.3.1 区域特征选取
3.3.2 基于混合高斯和支持向量机的运动目标检测算法
3.4 本章小结
4 基于多摄像机区域匹配的车辆识别算法研究
4.1 目标特征提取方法
4.1.1 Haar_like特征
4.1.2 HOG特征
4.1.3 Hu不变矩
4.2 单—摄像机下基于运动目标提取的车辆识别
4.2.1 基于背景减法的运动目标提取
4.2.2 基于SVM分类器的车辆识别
4.2.3 实验与分析
4.3 基于匹配的多摄像机运动目标识别方法
4.3.1 区域匹配
4.3.2 D_S理论
4.3.3 基于匹配的多摄像机运动目标识别
4.3.4 实验结果
4.4 本章小结
5 结论和展望
5.1 工作小结
5.2 展望
致谢
参考文献
攻读硕士学位期间发表的论文情况