基于支持向量機的地面目標自動識別技術(shù)

第1章 緒論
1．1 研究背景和意義
1．2 多傳感器信息融合
1．2．1 定義與一般模型
1．2．2 信息融合的主要技術(shù)和方法
1．3 基于多傳感器信息融合的目標識別
1．3．1 融合識別的三個層次
1．3．2 融合識別研究現(xiàn)狀
1．4 支持向量機的發(fā)展和研究現(xiàn)狀
第2章 統(tǒng)計學習與支持向量機
2．1 統(tǒng)計學習理論
2．1．1 機器學習中的期望風險與經(jīng)驗風險
2．1．2 VC維理論
2．1．3 結(jié)構(gòu)風險小原則
2．2 支持向量機
2．2．1 線性可分分類
2．2．2 線性不可分分類
2．2．3 SVM的一般形式
2．2．4 常用的核函數(shù)
2．2．5 應用SVM的一般步驟
2．2．6 SVM多類分類
第3章 基于支持向量機的目標特征庫的建立
3．1 UCI開放實測特征庫介紹
3．2 圖像的特征提取
3．2．1 圖像不變矩
3．2．2 主成分分析
3．3 低分辨率圖像特征庫的組建及SVM識別性能比較
3．3．1 低分辨率圖像特征庫的組建
3．3．2 基于三種特征庫的SVM識別性能比較
3．4 高分辨率圖像特征庫的組建及SVM識別性能比較
3．4．1 高分辨率圖像特征庫的組建
3．4．2 基于兩種特征庫的SVM識別性能比較
3．5 兩類裝甲車輛特征庫的建立
3．5．1 圖像獲取
3．5．2 基于MeanShift的圖像平滑與分割
3．5．3 裝甲車輛紅外特征庫與可見光特征庫的建立
3．5．4 特征融合及融合特征庫的建立
3．5．5 基于各特征庫的SVM識別效率比較
……
第4章 支持向量機模型選擇
第5章 支持向量機特征選擇
第6章 基于增后特征庫的支持向量機
第7章 支持向量機目標識別的軟件實現(xiàn)
第8章 總結(jié)與展望
參考文獻