一、基于支持向量机的小波域视频字幕检测与提取（论文文献综述）
蒋鋆[1]（2021）在《面向癫痫预警任务的脑电信号分析算法研究》文中研究指明癫痫是一种伴有脑神经元异常放电的慢性非传染性神经系统疾病。临床医生通过视觉检出患者24小时包含丰富生理病理信息的脑电图完成对癫痫的检测诊断。由于视觉检测耗时耗力、主观因素强等缺点及脑电图能总体反映脑神经细胞电生理活动的特点,联合信号处理和模式识别的癫痫分析技术成为研究的热点。为了降低癫痫发作造成的伤害,在癫痫发作后利用脑电信号对癫痫事件分类检测的前提和基础上,通过癫痫患者的长期脑电记录识别检测出视觉无法观察到的癫痫发作先兆特征可以完成对癫痫的预警任务。癫痫的突发性和高危性严重影响患者的身心健康、增加医护人员的工作负担以及加大社会风险指标,癫痫发作的早期预测是癫痫疾病治疗的瓶颈。已有研究表明,在癫痫发作前患者的大脑模式已经发生变化,通过在发作前特定时间区间内完成对神经活动异常变化的检测可以有效实现癫痫预警。因此,在癫痫发作之前完成对发作事件的预测,医护人员发现警报信号后及时进行给药或电刺激等介入控制,可以减少发作次数并提高生活质量,这对于癫痫疾病的早期干预治疗有着重大的研究意义和临床价值。基于脑电信号的癫痫预警算法研究正处于起步阶段,面向实际临床应用时存在虚警率高、普适性差等问题,此外复杂多样的脑电信号也为癫痫研究带来了挑战。本文在完成不同时期癫痫脑电信号的检测基础上,在特定时间区间完成对癫痫发作先兆特征的识别从而实现癫痫的预警分析研究。分别针对现有面向临床诊断的癫痫脑电信号检测算法稳定性、复杂度以及普适性问题展开研究,建立相应的模型并探索方法的有效性。本文主要研究工作和创新性成果如下:（1）针对算法对癫痫信号表征能力不足导致面向多种分类任务时识别结果差异较大的问题,提出了基于散射变换的癫痫脑电信号检测算法。散射变换融合小波域和复数域的分析特性,通过复小波分解的级联和局部加权平均方法得到具有时移不变性和局部稳定性的信号特征,在多个散射路径不同方向、尺度的迭代分解为提高表征能力的稳定性做出贡献。利用散射变换域的模糊熵和对数能量熵特征得到对多个不同时期癫痫脑电信号的互补表征,充分挖掘了能够区分癫痫发作期信号与其他时期信号的有效动力学特征。在德国波恩大学癫痫脑电数据集上,利用极限学习机分类器完成八种不同“癫痫发作-其他”任务的分类,均取得了不低于99.56%敏感性、99.50%特异性、99.50%准确率和0.99Matthews相关系数的评价指标。稳定的识别结果表明了所提算法对不同时期癫痫脑电信号的有效表征能力,癫痫发作信号的可区分度得到有效提高。（2）针对检测模型复杂度高且需要人为经验选择特征的问题,提出了基于辛几何的癫痫脑电信号检测算法。直接在辛空间中通过辛相似变换完成对不同类型癫痫脑电信号的自适应特征提取,避免了人工设计特征的缺陷。作为哈密顿体系中的一种正则变换,辛相似变换能够保持原始脑电信号的可测性和基本特性。得到的特征向量之间不仅具有相互正交性,非线性变换的本质也更适合于癫痫脑电信号的动态分析,在提高表征能力的同时大大降低了模型的复杂度。将辛特征送入K近邻分类器中,在波恩大学癫痫脑电数据集的十种临床多分类任务中,敏感性、特异性、准确率和Matthews相关系数分别不低于为99.17%、99.17%、99%和0.96;在波士顿儿童医院23名受试者的多导联头皮脑电数据库的“癫痫发作-非癫痫发作”任务中,上述评价指标的平均性能分别为97.17%、99.72%、99.62%和0.92。分别在长、短程数据集中得到的实验结果验证了所提检测模型的较高分类精度和较低复杂度,为癫痫发作辅助诊断系统的开发奠定了基础。（3）为了在癫痫发作发生前完成对病人的警告,在前期实现不同时期癫痫脑电信号检测算法稳定性和低复杂度研究的基础上,在特定的时间区间内继续对基于癫痫发作先兆特征的预警任务展开研究。针对在多个受试者上普适性较差的问题,提出基于同步提取线性调频小波变换的癫痫脑电信号预警算法。通过结合短时傅里叶变换可逆性和理想时频表示稀疏性的优势获得一种相对理想且具有较高分辨率的癫痫脑电信号时频表征。引入线性调频率参数得到高能量集中度的时频脊线。通过舍弃扩散模糊区域的时频能量后仅保留与信号时变特性最相关的时频信息。最后利用辛几何分解得到发作先兆状态的有效特征并通过支持向量机完成对癫痫发作的预警分析。1min癫痫发作预测期和30min癫痫发作发生期的条件下,在波士顿儿童医院17名受试者的头皮癫痫脑电数据集中,对共计83次的癫痫发作事件取得了90.92%的平均灵敏度和0.14/h的虚警率;在Kaggle癫痫预测竞赛数据集所有受试者的颅内脑电数据上,所提算法的平均灵敏度和虚警率分别为91.5%和0.16/h。在不同癫痫预测数据集中多名受试者的不同类型脑电信号上验证了所提预警算法的普适性,为面向临床的癫痫预警分析算法提供了新的解决方案。综上,本文在完成多种不同时期癫痫脑电信号的后验性癫痫发作检测的研究基础上,立足于基于癫痫脑电信号研究的实际临床应用需求,提出了面向预警任务的癫痫脑电信号分析算法模型,实现了在癫痫发作前对病人准确可靠的警告。本文的工作为基于脑电信号的癫痫预警算法奠定了理论基础,为下一步癫痫的临床预警治疗系统的开发提供了一种解决方案。
刘慧勇[2]（2020）在《基于DAS技术的车辆交通状态辨识与防碰撞预警研究》文中提出智能交通系统（Intelligent Transportation System,ITS）,是将先进的信息技术、传感器技术、电子控制技术、系统工程及人工智能技术等有效地综合运用、集成到交通管理中,从而实现保障安全、提高效率、改善环境、节约能源的先进交通系统。实现道路交通状态的智能管控与动态安全预警是道路智能交通系统建设的重要目标,而车辆交通状态的准确检测与辨识则是实现该目标的重要依据。因此,对道路交通状态辨识与车辆防碰撞预警问题的研究,已经成为道路智能交通系统研究领域广泛关注的重大课题。分布式光纤声学传感（Distributed Fiber Optic Acoustic Sensing,DAS）技术,以光纤作为传感传输媒介,是目前最先进的振动声学传感技术。DAS技术具有结构简单、使用方便、测量范围广、灵敏度高、动态范围大以及抗电磁干扰等明显优势。如何将DAS技术应用于车辆交通状态辨识的实际,并提出相应交通状态振动信号处理模型与算法,从而提高交通状态数据检测的准确率和安全性,是当前道路智能交通系统研究的一个重要方向。本论文基于分布式光纤声学传感技术,针对车辆交通状态辨识与防碰撞预警策略问题进行了选题研究。论文以交通状态理论和复杂信号分析理论作为基础,综合运用模式识别、参数估计和信号处理等多个学科方法,通过系统分析与实例实验仿真模拟相结合、定性分析与定量分析相结合,系统地探索如何基于DAS技术,解决交通状态实践过程中车辆交通状态辨识、车辆类型分类以及车辆防碰撞预警等具体问题。本文从这三个具体问题的需求特殊性和现实实践痛点出发,分别提出了基于DAS技术的车辆交通状态辨识模型、基于DAS技术的车辆类型特征参数辨识模型和基于DAS技术的车辆防碰撞预警策略。论文的主要研究内容及成果如下:（1）基于DAS技术的车辆交通状态辨识模型研究。与传统的车辆交通状态辨识模型不同,该模型是基于DAS技术构建检测系统,采用普通光纤电缆进行交通振动信号检测,可以在整个光纤链路覆盖范围内接收全分布式的振动信息,实现对范围内任意点的振动信号的检测和定位。该模型利用DAS技术获取交通振动数据,并且根据振动数据的特征改进了小波阈值算法和双阈值算法,前者实现了对振动数据的预处理,后者可以处理分析出振动信号的车辆交通状态并估计车辆速度。实验表明,在车辆计数试验中,单辆车通过检测区域的计数误差较小;当多辆车连续通过检测区域时的计数误差较大;在车速估计试验中,计算结果具有较好的精度,误差控制在5%以内。（2）基于DAS技术的车辆类型特征参数辨识模型研究。DAS技术具有对车辆振动信号分类方法维护成本低,且可实现更大规模车辆分类数据采集的特点,该模型利用传感光纤以分布式传感器形式采集交通振动信号,并通过相应的信号处理算法从信号中提取若干特征来识别车辆类别。在深入分析车辆分类问题的基础上,模型针对实验场景提出了车辆类型分类标准;在信号处理步骤上,本文提出了基于遗传算法的支持向量机算法（Support Vector Machine,SVM）,并以对比实验的方式对多种支持向量机算法进行了比较分析。结果表明这种改进型支持向量机算法能够降低分类误差。通过设计实际场景对模型进行实验,结果表明本文设计的基于DAS技术的分类检测器在进行车型分类时其精度大于70%。（3）基于DAS技术的车辆防碰撞预警策略研究。在对基于DAS技术的车辆交通状态辨识和车辆类型分类特征参数辨识模型研究的基础上,进一步对车辆防碰撞预警策略进行了深入研究。本部分提出了一种新型车辆防碰撞预警策略,与传统的预警策略区别在于该方案是一种基于DAS系统检测路段的全路段、全方位的车辆防碰撞预警策略,针对检测区域的车辆进行防碰撞预警。该安全策略中首先建立了适用于车辆防碰撞预警策略中的车辆安全距离模型,然后提出了一种综合考虑车辆运动、车辆位置、驾驶员行为、道路信息以及车辆类型的车辆防碰撞风险评估方法。最后,通过对防碰撞预警方案进行了仿真实验,验证了碰撞风险评估方法的准确性。仿真结果表明,该策略能有效地检测车辆碰撞风险,并及时给出准确的车辆防碰撞预警。（4）论文结合参加实际科研项目,对提出的模型与算法进行了实例实验和实证分析,研究成果对建立和完善基于DAS技术的车辆交通状态辨识理论体系具有重要参考价值,为实际规划和建设基于DAS技术的道路智能交通系统提供了科学依据。图49幅,表8个,参考文献216篇。
戴晓辉[3]（2020）在《基于多特征融合的婴儿异常行为检测方法研究》文中进行了进一步梳理一些由于不可测原因未达到足月便出生的婴儿,由于出生时的一些先天缺陷,产生脑性瘫痪、精神发育迟滞等严重的神经发育障碍的风险明显增高。神经发育结局异常的小婴儿早期在行为上表现为全身运动模式的异常,如在足月前及足月后1个月整体运动顺序缺乏变化性、单调,运动的幅度、速度和强度小。而在足月后2至5月龄观察不到遍布全身的各方向的小幅度中速运动,运动不流畅不协调。医生根据这些行为特点对小婴儿发育行为进行评判,并对评估异常的小婴儿给予早期干预,从而改善不良神经发育结局,这对治疗神经发育障碍性疾病,扭转其不良发育结局有很重要的意义。本文研究的目的是考虑是否可以用计算机视觉加机器学习的方法,代替传统人工判断,以提高效率。首先,本文对婴儿的异常行为进行了分析,选择对婴儿进行目标跟踪,以观察其运动时的各项数据变化。分析传统的Meanshift跟踪算法后发现,该算法简单且非常适用于本文的单一背景样本视频,但考虑其判断的条件较为简单,在原有算法的基础上进行改进,提出基于注意力机制的关于婴儿的目标跟踪算法,以更加适应本文的视频样本的跟踪。弥补Meanshift算子存在的一些缺陷,并在婴儿样本的跟踪上取得了不错的跟踪效果。其次,建立了关于婴儿多组特征的样本库。本文对于特征的提取,分别就基于运动轨迹的分析和基于人体特征的分析两方面进行了考虑,在考虑运动信号变化提取了基于运动轨迹的小波特征信息,基于运动轨迹的功率谱特征信息,在考虑婴儿运动过程中四肢运动的速度变化时提取了婴儿运动的速度特征信息,婴儿运动的加速度特征信息,以及婴儿的质心变化特征,在考虑基于人体特征情况下提取了婴儿质心数量特征。最后,本文提出一种基于多特征融合的婴儿异常行为检测框架,首先对婴儿目标进行跟踪,然后进行多组特征的提取分析,对于特征进行自适应的融合判断,最后得出婴儿运动是否异常的结论。其中对于婴儿的检测过程中,传统对婴儿异常行为研究,往往将婴儿做为一个整体来研究,本文考虑将婴儿分为上,下,左,右四个肢体部分以及全身整体这一共五部分分别来研究,分别对这五个部分进行多组不同特征的提取和分类,最后结合它们进行综合的判断。对婴儿身体躯干分块判断,提高了对婴儿身体各个部位的灵敏度和特异度,也对最后的综合判断给出了更强有力的数据支撑。
章毓晋[4]（2010）在《中国图像工程:2009》文中指出该文是关于中国图像工程的年度文献综述系列之十五。为了使国内广大从事图像工程研究和图像技术应用的科技人员能够较全面地了解国内图像工程研究和发展的现状,并能够方便地查询有关文献,现从2009年在国内15种有关图像工程重要中文期刊的共134期上发表的3604篇学术研究和技术应用文献中,选取出1008篇属于图像工程领域的文献,并根据各文献的主要内容将其分别归入图像处理,图像分析,图像理解,技术应用和综述五个大类,然后进一步分入23个专业小类（与去年相同）。在此基础上还进行了各期刊各类文献的统计和分析。根据统计分析结果可看到我国图像工程在2009年许多新进展的情况。特别值得指出,在上述15种期刊上所发表的图像工程文献数量在2009年继续增加并达到历史最高,显示了图像工程在中国继续蓬勃发展的趋势。另外,借此综述系列15年之际,还将这15年分成3个5年的阶段,分别对3个阶段的图像工程文献选取情况和各类图像工程文献数量进行了统计和对比分析,以为读者提供更全面和可信的发展动态信息。
单武秋[5]（2008）在《新闻视频图像中的模式识别技术研究》文中指出本文概述了新闻视频图像研究中所涉及到的多种模式识别技术,分别对各模式识别技术的发展历史和研究状况作了介绍与评论,剖析了它们的优点和不足。讨论了新闻视频图像中模式识别技术的最新发展方向及其国内的发展情况。
李春花[6]（2006）在《基于支持向量机的数字水印技术研究》文中研究表明计算机网络技术和多媒体处理技术的迅猛发展,使得多媒体信息的安全问题成为目前一个相当重要而又富有挑战性的研究课题。数字水印技术就是在这种背景下产生的并很快获得了业界的广泛重视,成为当前发展最为迅速的领域之一。因此,针对不同的应用领域,研究性能良好的数字水印系统有着重要的理论和现实意义。将一种新的机器学习方法——支持向量机（SVM）引入数字水印领域,以期望最大限度地改善水印系统的综合性能,同时也为支持向量机在图像处理和信息安全领域中的新的应用进行有益的探索。在对支持向量机理论分析的基础上,针对目前数字水印技术的研究现状和存在的一些不足,分析了支持向量机在数字图像水印中可能潜在的一些应用,针对其中的一些应用进行了深入的研究和探索。研究了数字水印领域中支持向量机的参数选择问题,提出一种变尺度混沌优化SVM模型参数的算法,并给出了设定模型参数初始值范围的方法。该算法将SVM模型参数的选择看作是参数的组合优化,通过建立合理的优化目标函数,采用变尺度混沌优化算法来搜索最优目标函数值。为提高搜索效率,算法根据寻优过程中得到的临时最优解,不断缩小优化变量的搜索空间。在此算法基础上,通过大量实验,分析了回归支持向量机（SVR）模型参数对数字图像水印性能的影响,得出了纹理复杂程度不同的图像的比较理想的SVR学习参数范围。针对空域水印算法普遍较差问题,结合支持向量机优良的学习性能,提出一种基于支持向量回归的空域盲水印嵌入算法。该算法根据空域图像邻域像素的灰度值之间具有很强的相关性这一特点,运用回归支持向量机建立图像中邻域像素之间的内在关系模型,通过调整关系模型的输出值与目标值之间的大小关系来隐藏水印信息。提取水印时,不需要原始载体图像和水印图像,只需要根据水印嵌入位置的密钥就可以通过关系模型恢复出水印。实验结果表明了此算法的有效性。根据SVM与人眼视觉系统在自学习、泛化和非线性逼近等方面具有极大的相似性,结合图像的局部相关性特性,提出一种基于模糊支持向量机的自适应水印算法。该算法利用SVM来模拟人眼视觉系统特征,构造了以信息熵、亮度、对比度和纹理掩蔽值四个分量组成的特征向量的一些样本,从而为空域图像像素建立分类模型,根据此模型自适应地确定水印的最佳嵌入位置和嵌入强度。在利用SVM建立分类模型时,根据人类视觉的模糊特性,提出一种基于支持向量机的模糊多分类方法（FMSVC）,运用FMSVC对图像像素进行模糊分类,并采用无监督的模糊聚类分析方法为有监督的支持向量机构造训练样本。实验表明了此算法的有效性。结合小波变换的多分辨率特点和支持向量机在理论上和学习上的优势,研究了小波域中基于SVM的水印算法,提出了小波域中基于SVM方向树模型的鲁棒水印算法和半脆弱水印算法。首先根据小波变换空频局域性特点,给出了小波系数方向树的概念,然后运用支持向量机建立了方向树上根节点与其子孙节点之间的依赖关系模型（即方向树模型）,根据此模型设计了两种水印算法。其中,基于方向树模型的鲁棒水印算法将图像的空域和变换域相结合,采用模糊聚类分析的方法从空域中选取合适的水印嵌入位置,并映射到小波变换域的相应子带区域,从而自适应地确定水印嵌入的位置,水印嵌入的强度由嵌入位置的隶属度决定。而基于方向树模型的半脆弱水印算法通过密钥随机选择水印的嵌入位置,如果不知道模型参数和密钥,很难检测出水印。由于SVM模型捆绑了方向树上的小波系数之间的关系,对图像中任何一点的修改都会影响到水印位的正确恢复,因此要想绕过水印而对图像进行篡改有着很高的难度。算法通过一个滑动窗口对中值滤波后的篡改信息矩阵进行扫描,计算各滑动窗口的局部篡改率,根据最大局部篡改率来判断是常规操作还是恶意的篡改。实验表明了两种算法的有效性。
彭培华,曲波,陈荣胜[7]（2004）在《基于支持向量机的小波域视频字幕检测与提取》文中指出视频流里的文本字幕包含了丰富的语义信息,对于视频内容的理解、索引和检索具有重要的作用.文中首先对视频图像进行分割,提取它们在小波变换域中的统计特征,然后用支持向量机（SVM）分类器对这些特征进行分类,实现了字幕的自动检测与提取.仿真结果表明该方法具有较好的适用性.
贺志强[8]（2020）在《基于机器学习的合成孔径雷达遮挡目标识别方法研究》文中提出合成孔径雷达在军用领域和民用领域中都发挥着重要的作用。作为合成孔径雷达应用的重要方面,目标识别一直是研究的热点。基于机器学习的合成孔径雷达目标识别方法已经取得了非常优秀的性能。目前的合成孔径雷达目标识别技术都是以完整的目标作为处理对象。实际应用中经常出现遮挡等导致的目标残缺现象。传统的机器学习目标识别技术识别这些遮挡目标的性能会严重恶化。因此需要研究针对合成孔径雷达遮挡目标的目标识别技术。本文重点研究了基于稀疏表示和基于卷积神经网络的合成孔径雷达遮挡目标识别方法。论文的主要工作如下所示。1、提出了基于子图像稀疏表示的加权合成孔径雷达遮挡目标识别方法。基于稀疏表示模型的遮挡目标识别方法的关键是消除遮挡信息对样本稀疏重构误差的影响。首先将测试样本和字典分割成子测试样本和子字典,利用子字典稀疏表示子测试样本并计算稀疏重构误差。选择稀疏重构误差较大的子测试样本作为包含遮挡信息的子测试样本。然后对包含遮挡信息的子测试样本及对应的子字典加权来得到加权测试样本和加权字典。最后利用加权字典来稀疏表示加权测试样本并识别目标。该方法识别无遮挡目标时的性能与传统稀疏表示方法相似,识别遮挡目标时的性能优于传统稀疏表示方法和支持向量机方法。2、提出了基于加权图像融合的合成孔径雷达遮挡目标识别方法。加权图像模型的关键参数包括子图像尺寸、加权子图像比例和权值。这些参数的取值直接影响算法的识别性能,而设置最优参数值是加权图像模型的难点。本文采用融合策略来克服这个问题,首先设置一系列参数值来得到多个加权测试样本和加权字典。然后根据需要选择像素级融合或者决策级融合方法来处理这些加权测试样本和加权字典。最后利用融合结果来识别目标。该方法避免了加权图像模型中关键参数的取值问题,遮挡目标的识别性能也得到进一步提升。实验结果表明其识别性能优于传统的目标识别方法。3、提出了基于随机擦除图像融合的合成孔径雷达遮挡目标识别方法。在稀疏表示模型中准确定位遮挡信息通常十分困难,本文采用随机擦除方法来回避这个问题。随机擦除是指在测试样本和字典中随机选择一个区域并将其像素值置零,并且测试样本的置零区域和字典的置零区域相同。首先对测试样本和字典进行多次随机擦除。然后利用擦除字典稀疏表示擦除测试样本并计算稀疏重构误差。最后采用决策级融合策略来克服随机擦除中遮挡区域欠擦除和无遮挡区域的误擦除,通过融合所有稀疏重构误差来识别目标。该方法能够消除遮挡信息并保留目标信息,实验结果表明其识别性能优于传统的目标识别方法。4、提出了模块化的卷积神经网络构建方法和基于数据增强的合成孔径雷达遮挡目标识别方法。卷积神经网络的拓扑结构直接决定了网络的性能,本文采用模块化的思想来简化卷积神经网络的设计难度。首先构建基础模块。基础模块包含了卷积层和池化层,承担了学习特征和数据降维的功能。然后采用模块堆叠的方式得到卷积神经网络。该卷积神经网络具有与传统方法设计的卷积神经网络相似的性能。为了提高卷积神经网络识别遮挡目标的性能,通过数据增强的方法来使网络学习到遮挡目标的特征。数据增强的方式包括静态数据增强和动态数据增强两种。静态数据增强时遮挡目标训练样本是固定的。动态数据增强时遮挡目标训练样本是变化的。实验结果表明,数据增强可以明显提高卷积神经网络识别遮挡目标的能力。5、提出了一种基于重构误差水平的多层稀疏表示合成孔径雷达目标识别方法。稀疏表示模型利用稀疏重构误差作为分类指标。理想情况下只有相同类型子字典上的稀疏重构误差很小,其余子字典上的稀疏重构误差很大。本文利用稀疏重构误差来表征字典的表示能力,并以此决定测试样本的处理方法。设置了两个门限,其中一个门限代表字典的绝对表示能力,用来判断字典能否稀疏表示测试样本并决定是否利用当前字典识别测试样本;另一个门限表征子字典稀疏表示能力的相对差异,用来决定是否需要重构字典。最后利用已识别的样本来完善字典,提高了字典对剩余测试样本的表示能力。该方法更深入的挖掘了稀疏重构误差的性质,实现了更好的识别性能。6、提出了基于多视图张量稀疏表示模型的合成孔径雷达目标识别方法。张量稀疏表示模型可以保留合成孔径雷达图像中的局部结构信息。合成孔径雷达系统对目标多次观测可以得到多幅目标图像,并且这些图像间具有内部相关性。多视图张量稀疏表示模型可以综合利用图像的局部结构信息和图像间的内部相关性。提出了联合张量正交匹配追踪算法来计算多视图张量稀疏表示模型中测试样本的稀疏系数张量。识别目标时首先用经典的张量字典学习方法得到各类型目标的字典,然后采用联合张量正交匹配追踪算法来计算稀疏系数张量,最后根据所有视图总的稀疏重构误差来判断目标的类型。该方法识别合成孔径雷达目标时的性能优于联合稀疏表示模型和稀疏表示融合模型。
张曼[9]（2019）在《针对瓷砖的图像分类研究》文中研究说明现代科学技术的高速发展,传统工业制造中靠人工分类瓷砖的方法已经不能满足现代制造业的要求。随着工业4.0时代的到来,催化传统制造业时代的结束,取而代之的是高新技术的发展。瓷砖分类仪的研究标志着人类将能够避免重复廉价劳动力,加快现代化建设的步伐。与次同时,图像处理应用在生活的方方面面,在军事遥感、生物影像、监控识别等领域也起着不可磨灭的作用。因此,将图像方面的研究应用到瓷砖分类具有重要意义。本文研究了针对提取不同特征对同批次生产的瓷砖分类准确率的影响,从常规瓷砖特征提取方法入手,对特征提取当中的灰度共生矩阵算法进行研究,之后利用小波包分解选择系数能量加权联合向量（DCWC）算法提取特征量应用到瓷砖分类当中。同时对于瓷砖图像的分类,研究了支持向量机分类算法,最终采用超球体支持向量机在线分类算法以提高分类准确率,具体研究如下:首先,针对实际生产中同一生产线生产的同一批次瓷砖的分类问题进行实际分析,对瓷砖图像预处理,运用拉普拉斯微分算子增强纹理的方法、高斯滤波算法与导向滤波算法等对比分析,说明了导向滤波算法对增强瓷砖图像纹理的有效性。其次,图像经过频率域小波变换,根据不同频率部分所代表的纹理信息不同,可以通过构建模型等其他方法,从中找到最具代表意义的特征量。对于瓷砖图像的特征提取部分,主要介绍了GLCM和利用小波包分解特征提取算法。通过实验分析,实验分类的准确性验证了小波包分解产生的系数能够代表一定的信息特征,同时利用系数得到的小波重构域的子图反映了瓷砖图像的纹理空间信息,提出了一种基于小波包分解选择系数加权重构（DCWC）的瓷砖图像特征提取算法,通过该算法提取到的瓷砖图像特征值更加有利于瓷砖图像的分类,实验证明分类准确率比普通方法要高。最后,从支持向量机的概念出发,介绍了最大间隔和如何寻找最优超平面,并把目标函数的求解转换为二次规划问题求最优。之后,还介绍了支持向量机分类算法,有一对一、一对多等分类算法。在实际运用中,针对瓷砖图像的分类选择支持向量机（C-SVM）一对一分类,并采用网格参数寻优,找到最佳惩罚系数c以及最佳核半径g。实验中针对不同数量大小的训练集与测试集进行分类,其结果也说明了数据集的大小对瓷砖分类结果产生的影响。考虑到流水线上瓷砖分类的实时性,提出超球面支持向量机在线学习分类算法,随着流水线生产检测样本的增加,不断扩充训练集,在线训练调整模型。在本论文中,对于此类精细图像的分类,我们需要提取其高层次特征。我们还通过深度学习的方法,引入稀疏自编码器,提出将小波分解的能量系数构成的特征向量输入到稀疏自编码器提取二阶特征,并结合时域的其他特征组合成增广向量输入到超球面支持向量机训练、分类。实验结果表明,利用稀疏自编码器提取小波域系数的二阶特征联合颜色、纹理等向量组合成的增广特征向量实现了有效的特征向量提取,与改进的支持向量机在线分类算法相结合得到的分类准确率比利用卷积神经网络分类的准确率要高,克服了分类过拟合的缺陷。相比于K近邻分类算法,本论文提出的方法避免了每次测试样本时大量的计算、样本不平衡预测偏差比较大的问题。
田妮莉[10]（2019）在《视频源相机识别研究》文中研究指明视频源相机识别是数字多媒体信息取证领域中一个非常重要的研究课题。由于成像设备的普及,社交网络平台中涌现出各种数码相机或智能手机所拍摄的视频。这些视频中有些是涉及犯罪的,是法庭诉讼时的有力证据,而追溯其拍摄设备的来源是司法取证中的关键环节之一。但是,大量的视频信息中并不含有主动写入或内嵌的关于其拍摄设备的任何信息，需要从视频数据本身去分析其来源设备。视频源相机识别被动取证正是这样一种技术,在没有任何关于成像设备的元数椐或主动内嵌的数字签名水印等信息的情况下,仅从视频数椐本身分析出其拍摄设备。本论文主要针对数码相机和智能手机所拍摄的视频数据进行研究,探索如何更好的获取能充分表征拍摄设备物理指纹的传感器模式噪声等特征信息的新方法,旨在进一步提高视频源相机识别的正确性和有效性。具体的创新点包括以下几个方面:1.提出基于二维离散分数阶Fourier变换的多旋转角度下传感器模式噪声的相位提取算法。针对现有的模式噪声提取方法在处理低比特率视频信号时所提取的相机指纹表征能力有限,导致视频源相机识别性能不高的问题,本论文提出,首先将每一个视频帧的总噪声模式变换到多个不同旋转角度的分数阶Fourier变换域;然后对每个变换矩阵的每个元素的模进行规范化处理;其次对规范化处理后的每一个矩阵进行相应角度的分数阶Fourier逆变换并取它们的实部;最后将同一帧的多个旋转角度对应的处理结果求平均,该视频的传感器模式噪声为所有帧中经过以上处理过程后结果的平均值。仿真实验结果表明,与现有的两种算法相比,本论文提出的算法明显改善了低比特率视频源相机识别的性能。2.提出基于视频帧模式噪声奇阶统计矩特征向量零空间投影变换的特征提取方法。针对具有时变统计特点的低比特率视频源数码相机识别率存在进一步改善的空间,本论文提出,首先,将每个视频帧的总噪声模式转换为一维向量,计算它们的奇阶统计矩矩阵。为了减少计算量,使用主成份分析方法对这些奇阶统计矩构成的矩阵进行降维处理,仅获得各统计矩矩阵的主要成份。然后将所有帧的这些分量构成每个视频的初始特征向量。为了使初始特征向量的类内距离从最小化,类间距离最大化,接着进行了线性判别分析。由于类内类间距阵的许多特征值接近于零，于是求解了这一矩阵的零空间解向量,然后将每个视频的特征向量变换到解向量所构成的投影矩阵中,形成最终的特征向量。经研究发现这些新的特性向量是成对线性可分的。因此,使用一组感知器来对视频源相机进行识别。计算机仿真结果表明,该方法明显优于传统的基于相关性的方法和基于支持向量机的方法。3.提出基于经验模式分解的传感器模式噪声预处理算法。目前的源相机识别研究中大多是从图像中提取表征相机指纹信息的传感器模式噪声来进行的,但是这些方法应用到智能手机所拍摄的视频上时,其识别性能还存在提高的可能。考虑到表征相机指纹的传感器模式噪声属于一种特殊的中频成份,而帧中提取的初始的噪声模式中不仅含有相似功能处理单元带来的其它低频噪声,也同样残留有表示视频内容细节的高频成份,本论文提出,针对视频中选定的少数帧,将帧中的初始的噪声模式分别按行和列转换为一维向量,然后进行经验模式分解,得到多个表征瞬时频率成份的本征内模函数IMFs,通过数值仿真实验的方式确定了经验模式分解后得到的频率分量的选取问题,最后,将这种方法应用到三种智能手机视频源的识别中,实验结果表明本论文所提出的这种算法比现有的五种算法的识别性能都要更优。
二、基于支持向量机的小波域视频字幕检测与提取（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于支持向量机的小波域视频字幕检测与提取（论文提纲范文）
（1）面向癫痫预警任务的脑电信号分析算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 癫痫脑电信号 |
| 1.1.3 研究意义 |
| 1.2 癫痫脑电信号检测方法的研究现状与发展趋势 |
| 1.2.1 癫痫预警的国内外研究现状 |
| 1.2.2 存在的主要问题 |
| 1.3 本文研究内容和章节结构安排 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文的章节结构安排 |
| 第2章 癫痫脑电信号分析检测框架及数据来源 |
| 2.1 癫痫脑电信号分类算法框架 |
| 2.1.1 预处理 |
| 2.1.2 特征提取 |
| 2.1.3 分类识别 |
| 2.2 癫痫脑电数据集 |
| 2.2.1 德国波恩大学癫痫脑电数据集 |
| 2.2.2 美国波士顿儿童医院癫痫脑电数据库 |
| 2.2.3 Kaggle癫痫预测竞赛数据集 |
| 2.3 算法性能的评价指标 |
| 2.3.1 癫痫检测算法的评价指标 |
| 2.3.2 癫痫预测算法的评价指标 |
| 2.4 本章小结 |
| 第3章 基于散射变换的癫痫脑电信号检测算法研究 |
| 3.1 引言 |
| 3.2 散射变换理论基础 |
| 3.2.1 小波变换 |
| 3.2.2 散射变换 |
| 3.3 基于散射变换的癫痫脑电信号检测算法 |
| 3.3.1 基于模糊熵和对数能量熵的脑电信号特征提取 |
| 3.3.2 极限学习机 |
| 3.4 实验结果与分析 |
| 3.4.1 实验结果 |
| 3.4.2 文献对比与分析讨论 |
| 3.5 本章小结 |
| 第4章 基于辛几何的癫痫脑电信号检测算法研究 |
| 4.1 引言 |
| 4.2 辛几何基础 |
| 4.2.1 奇异谱分析 |
| 4.2.2 辛几何的分解与重构 |
| 4.3 基于辛几何的癫痫脑电信号检测算法 |
| 4.3.1 基于辛几何算法的癫痫脑电信号特征提取 |
| 4.3.2 K近邻分类算法 |
| 4.4 实验结果与分析 |
| 4.4.1 波恩大学数据集实验结果 |
| 4.4.2 波士顿儿童医院数据库实验结果 |
| 4.4.3 文献对比与分析讨论 |
| 4.5 本章小结 |
| 第5章 基于同步提取线性调频小波变换的癫痫脑电信号预警算法研究 |
| 5.1 引言 |
| 5.2 同步提取线性调频变换 |
| 5.2.1 短时傅里叶变换 |
| 5.2.2 同步提取变换 |
| 5.2.3 同步提取线性调频小波变换 |
| 5.3 基于同步提取线性调频变换的癫痫脑电信号预警算法 |
| 5.3.1 基于同步提取线性调频小波变换的脑电信号特征提取 |
| 5.3.2 支持向量机 |
| 5.4 实验结果与分析 |
| 5.4.1 同步提取线性调频小波变换的性能仿真实验 |
| 5.4.2 波士顿儿童医院数据库实验结果 |
| 5.4.3 Kaggle癫痫预测竞赛数据集实验结果 |
| 5.4.4 文献对比与分析讨论 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 在学期间研究成果 |
| 致谢 |
（2）基于DAS技术的车辆交通状态辨识与防碰撞预警研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通流量检测器研究现状 |
| 1.2.2 车辆类型分类研究现状 |
| 1.2.3 车辆防碰撞预警策略研究现状 |
| 1.2.4 既有研究评价 |
| 1.3 本文主要研究内容与思路 |
| 1.3.1 研究内容 |
| 1.3.2 研究框架及技术路线 |
| 2 分布式光纤声学传感技术及信号处理相关理论 |
| 2.1 分布式光纤声学传感技术的检测原理及系统设置 |
| 2.1.1 分布式光纤声学传感技术的基本检测原理 |
| 2.1.2 分布式光纤声学传感技术的系统设计 |
| 2.2 交通状态辨识的信号处理相关理论 |
| 2.2.1 小波阈值信号处理去噪算法 |
| 2.2.2 双阈值信号处理算法 |
| 2.2.3 支持向量机信号处理算法 |
| 2.3 本章小结 |
| 3 基于DAS技术的车辆交通状态辨识模型研究 |
| 3.1 引言 |
| 3.2 道路交通状态辨识参数分析 |
| 3.2.1 道路交通流量参数 |
| 3.2.2 道路交通车辆速度参数 |
| 3.2.3 道路交通占有率参数 |
| 3.3 基于DAS技术的车辆交通状态辨识模型设计 |
| 3.3.1 改进型小波阈值去噪信号处理算法的研究 |
| 3.3.2 改进型双阈值车辆检测信号处理算法的研究 |
| 3.3.3 车辆速度参数估计算法的研究 |
| 3.4 实例分析 |
| 3.4.1 实验环境 |
| 3.4.2 实验结果和讨论 |
| 3.5 本章小结 |
| 4 基于DAS技术的车辆类型特征参数辨识模型研究 |
| 4.1 引言 |
| 4.2 基于DAS技术的车辆类型分类问题分析 |
| 4.2.1 车辆类型分类标准及振动信号特征分析 |
| 4.2.2 车辆类型分类特征参数辨识基本原理 |
| 4.3 基于DAS技术的车辆类型特征参数辨识模型设计 |
| 4.3.1 车辆特征提取方法 |
| 4.3.2 车辆分类模式识别算法 |
| 4.4 实例分析 |
| 4.5 本章小结 |
| 5 基于DAS技术的车辆防碰撞预警策略研究 |
| 5.1 引言 |
| 5.2 车辆安全距离模型建立 |
| 5.2.1 车辆安全距离建模目的 |
| 5.2.2 车辆制动过程行驶距离建模分析 |
| 5.3 基于DAS技术的车辆防碰撞预警策略方案 |
| 5.3.1 防碰撞问题描述 |
| 5.3.2 防碰撞车辆检测方法 |
| 5.3.3 防碰撞车辆跟踪模型及算法 |
| 5.3.4 防碰撞预警策略判决模型 |
| 5.4 基于DAS技术的车辆防碰撞安全预警策略的仿真与分析 |
| 5.4.1 仿真与评估分析 |
| 5.4.2 实验结果及讨论 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 主要研究结论及创新点 |
| 6.2 论文工作展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（3）基于多特征融合的婴儿异常行为检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究对象特点及研究意义 |
| 1.1.1 婴儿异常行为特点 |
| 1.1.2 婴儿异常行为的研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容及安排 |
| 第2章 基于注意力机制的婴儿目标检测 |
| 2.1 基于图像的目标提取 |
| 2.1.1 图像噪声处理 |
| 2.1.2 图像特征提取 |
| 2.2 基于视频的目标跟踪 |
| 2.2.1 均值漂移算法(Meanshift) |
| 2.2.2 核相关滤波算法(KCF) |
| 2.3 基于注意力机制的目标跟踪 |
| 2.4 本章小结 |
| 第3章 婴儿运动特征提取 |
| 3.1 婴儿数据集介绍 |
| 3.2 小波变换分析轨迹信息 |
| 3.3 运动轨迹功率信息分析 |
| 3.4 婴儿运动速度加速度分析 |
| 3.4.1 婴儿运动速度特征 |
| 3.4.2 婴儿运动加速度特征 |
| 3.5 婴儿目标的质心分析 |
| 3.5.1 婴儿目标质心的个数 |
| 3.5.2 婴儿目标质心位置变化 |
| 3.6 本章小结 |
| 第4章 婴儿异常行为分析 |
| 4.1 基于多特征融合的婴儿异常行为判断框架 |
| 4.2 婴儿特征数据分析 |
| 4.2.1 特征降维 |
| 4.2.2 特征分析 |
| 4.3 基于多特征融合的婴儿异常行为分析 |
| 4.3.1 支持向量机算法 |
| 4.3.2 多特征融合及结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（4）中国图像工程:2009（论文提纲范文）
| 0 引 言 |
| 1 综述目的 |
| 1) 概括我国图像工程发展现状 |
| 2) 便利从事图像工程研究和图像技术应用的人员查阅有关文献 |
| 3) 提供期刊编者和文献作者有用的参考信息 |
| 2 刊物选取 |
| 3 文献选取和分类 |
| 4 文献分类统计结果和讨论 |
| 4.1 15年图像工程文献选取和分类概况比较 |
| 4.2 2009年各刊图像工程文献刊载情况 |
| 4.3 2009年各刊图像工程文献详细分类情况 |
| 5 前后3个5年的比较 |
| 6 结 论 |
（5）新闻视频图像中的模式识别技术研究（论文提纲范文）
| 一引言 |
| 二人脸探测与识别 |
| (一) 人脸检测与定位。 |
| (二) 人脸的特征提取与识别。 |
| (三) 人脸检测与识别技术近期发展。 |
| 三主持人镜头检测与识别 |
| 四字幕探测 |
| 五结束语 |
（6）基于支持向量机的数字水印技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 数字水印技术的研究现状 |
| 1.3 数字水印系统的基本模型 |
| 1.4 本文的主要研究内容 |
| 2 支持向量机及其在数字水印中的应用分析 |
| 2.1 引言 |
| 2.2 统计学习理论 |
| 2.3 支持向量机及其学习算法 |
| 2.4 支持向量机在数字图像水印中的应用分析 |
| 2.5 本章小结 |
| 3 基于变尺度混沌优化算法的支持向量机参数选择 |
| 3.1 引言 |
| 3.2 模型参数对SVM 性能的影响 |
| 3.3 基于变尺度混沌优化算法的SVM 参数选择 |
| 3.4 基于支持向量回归的空域水印算法 |
| 3.5 仿真实验及模型参数对水印性能的影响分析 |
| 3.6 本章小结 |
| 4 基于模糊支持向量机的自适应图像水印 |
| 4.1 引言 |
| 4.2 自适应数字图像水印技术 |
| 4.3 模糊支持向量机多分类算法 |
| 4.4 自适应图像水印算法的FMSVC 模型 |
| 4.5 基于FMSVC 的自适应图像水印算法 |
| 4.6 抗攻击实验 |
| 4.7 本章小结 |
| 5 小波域中基于支持向量机的数字水印 |
| 5.1 引言 |
| 5.2 小波域图像水印的基本框架 |
| 5.3 基于SVM 的小波系数方向树模型 |
| 5.4 基于方向树模型的鲁棒水印 |
| 5.5 基于方向树模型的半脆弱水印 |
| 5.6 抗攻击实验 |
| 5.7 本章小结 |
| 6 全文总结与展望 |
| 6.1 论文总结 |
| 6.2 未来工作的展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读学位期间发表的论文目录 |
（7）基于支持向量机的小波域视频字幕检测与提取（论文提纲范文）
| 1 特征提取与选择 |
| 1.1 小波变换 |
| 1.2 特征提取 |
| 1.3 特征选择 |
| 2 基于支持向量机的字幕区域识别 |
| 2.1 支持向量机原理 |
| 2.2 分类器的训练 |
| 2.3 字幕识别与后处理 |
| 3 实验结果与讨论 |
（8）基于机器学习的合成孔径雷达遮挡目标识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 合成孔径雷达目标识别研究现状 |
| 1.2.1 特征提取方法 |
| 1.2.2 分类器模型 |
| 1.3 稀疏表示模型 |
| 1.3.1 稀疏表示模型主要应用 |
| 1.3.2 稀疏表示识别合成孔径雷达目标现状 |
| 1.4 卷积神经网络 |
| 1.4.1 卷积神经网络主要应用 |
| 1.4.2 基于卷积神经网络的合成孔径雷达目标识别 |
| 1.5 合成孔径雷达遮挡目标研究现状 |
| 1.6 论文主要工作和内容安排 |
| 1.6.1 论文主要工作 |
| 1.6.2 论文内容安排 |
| 第二章 稀疏表示模型及其目标识别扩展模型 |
| 2.1 引言 |
| 2.2 稀疏表示模型及其目标识别原理 |
| 2.2.1 稀疏表示模型 |
| 2.2.2 基于稀疏表示模型的SAR目标识别方法 |
| 2.3 合成孔径雷达目标识别数据集 |
| 2.3.1 十类目标标准操作环境实验 |
| 2.3.2 训练样本不充分情况下实验 |
| 2.3.3 噪声污染情况下实验 |
| 2.3.4 目标型号不同情况下实验 |
| 2.3.5 俯仰角不同情况下实验 |
| 2.4 基于稀疏重构误差水平的多层稀疏表示SAR目标识别 |
| 2.4.1 基于稀疏重构误差水平的多层稀疏表示模型 |
| 2.4.2 实验及讨论 |
| 2.4.3 避免门限选择的折中方法 |
| 2.4.4 算法小结 |
| 2.5 基于多视图张量稀疏表示模型的SAR目标识别方法 |
| 2.5.1 本节涉及的符号定义 |
| 2.5.2 张量稀疏表示模型 |
| 2.5.3 多视图张量稀疏表示模型 |
| 2.5.4 基于多视图张量稀疏表示模型的识别方法 |
| 2.5.5 实验及讨论 |
| 2.5.6 算法小结 |
| 2.6 本章小结 |
| 第三章 基于改进稀疏表示的遮挡目标识别方法 |
| 3.1 引言 |
| 3.2 基于子图像稀疏模型的自适应加权SAR遮挡目标识别方法 |
| 3.2.1 基于子图像稀疏模型的自适应加权模型 |
| 3.2.2 基于加权测试样本和加权字典的SAR遮挡目标识别 |
| 3.2.3 实验及讨论 |
| 3.2.4 算法小结 |
| 3.3 基于加权图像融合的SAR遮挡目标识别 |
| 3.3.1 融合模型基本原理 |
| 3.3.2 加权图像融合模型 |
| 3.3.3 实验及讨论 |
| 3.3.4 算法小结 |
| 3.4 基于随机擦除图像融合的遮挡目标识别方法 |
| 3.4.1 基于随机擦除图像的稀疏表示融合模型 |
| 3.4.2 实验及讨论 |
| 3.4.3 算法小结 |
| 3.5 小波变换域中SAR遮挡目标识别方法 |
| 3.5.1 小波变换模型 |
| 3.5.2 小波变换域SAR遮挡目标识别实验 |
| 3.6 本章小结 |
| 第四章 基于卷积神经网络的SAR遮挡目标识别 |
| 4.1 引言 |
| 4.2 卷积神经网络理论及模型 |
| 4.2.1 卷积神经网络发展历程 |
| 4.2.2 卷积神经网络基本构成 |
| 4.3 模块化的SAR目标识别卷积神经网络构造方法 |
| 4.3.1 典型卷积神经网络结构及特征 |
| 4.3.2 模块设计及网络构建 |
| 4.3.3 实验验证 |
| 4.3.4 算法小结 |
| 4.4 基于数据增强的SAR遮挡目标识别方法 |
| 4.4.1 数据增强模型 |
| 4.4.2 实验及讨论 |
| 4.4.3 算法小结 |
| 4.5 稀疏表示和卷积神经网络识别遮挡目标性能对比 |
| 4.6 本章小结 |
| 第五章 结论及展望 |
| 5.1 论文内容总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 作者在学期间申请的发明专利 |
（9）针对瓷砖的图像分类研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 模式识别的概念 |
| 1.3.1 图像特征分类研究 |
| 1.4 课题研究的内容 |
| 第二章 瓷砖图像预处理及特征提取 |
| 2.1 纹理的描述 |
| 2.1.1 性能要求 |
| 2.1.2 统计方法 |
| 2.2 实验图像 |
| 2.3 利用一阶算子实现图像滤波 |
| 2.3.1 Roberts算子滤波分析 |
| 2.3.2 Prewitt算子滤波分析 |
| 2.3.3 Sobel算子滤波分析 |
| 2.3.4 Laplace算子滤波分析 |
| 2.4 导向滤波增强瓷砖图像纹理 |
| 2.4.1 实验结果对比与讨论 |
| 2.5 特征信息 |
| 2.5.1 纹理特征信息参数选择 |
| 2.5.2 构造颜色特征向量 |
| 2.6 本章小结 |
| 第三章 小波域瓷砖图像特征提取 |
| 3.1 小波变换 |
| 3.2 小波包分析 |
| 3.2.1 小波包定义 |
| 3.2.2 小波包的空间分解 |
| 3.3 DCWC算法思想与实验仿真 |
| 3.4 本章小结 |
| 第四章 瓷砖图像分类 |
| 4.1 基本概念 |
| 4.1.1 线性支持向量机 |
| 4.1.2 非线性支持向量机 |
| 4.2 多分类 |
| 4.2.1 一对多算法 |
| 4.2.2 一对一算法 |
| 4.3 瓷砖图像分类算法实验对比与分析 |
| 4.4 改进的超球体支持向量机在线学习算法 |
| 4.4.1 实验仿真及数据分析 |
| 4.5 改进的超球体支持向量机算法结合深度学习分类 |
| 4.5.1小波包能量系数与稀疏自动编码机的结合实验 |
| 4.5.2 稀疏自动编码机参数设置实验比对 |
| 4.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
| 附录 |
（10）视频源相机识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和研究现状分析 |
| 1.2 研究内容 |
| 1.3 论文结构 |
| 第二章 相机的传感器模式噪声 |
| 2.1 传感器模式噪声 |
| 2.1.1 相机的成像原理 |
| 2.1.2 相机中的光电传感器 |
| 2.1.3 传感器模式噪声的指纹特性 |
| 2.2 传感器模式噪声的提取与检测识别方法 |
| 2.2.1 模式噪声的数学模型 |
| 2.2.2 经典的模式噪声提取方法 |
| 2.2.3 常用的检测与识别方法 |
| 2.3 本章小结 |
| 第三章 基于二维离散分数阶Fourier变换的低比特率视频源相机识别 |
| 3.1 分数阶Fourier变换 |
| 3.1.1 分数阶Fourier变换的有关定义 |
| 3.1.2 离散分数阶Fourier变换的快速算法 |
| 3.2 基于二维离散分数阶Fourier变换的传感器模式噪声处理算法 |
| 3.2.1 符号定义 |
| 3.2.2 低比特率视频帧中初始总噪声模式的分析 |
| 3.2.3 基于二维离散分数阶Fourier变换多角度相位平均的传感器模式噪声处理算法 |
| 3.3 低比特率视频源相机识别仿真实验 |
| 3.3.1 实验数据 |
| 3.3.2 实验一: 不同旋转角度下视频帧传感器模式噪声的相关性实验 |
| 3.3.3 实验二: 基于SVM的视频源相机识别实验 |
| 3.4 本章小结 |
| 第四章 基于总噪声模式奇阶统计矩特征的低比特率视频源相机识别 |
| 4.1 低比特率视频帧的光响应非均匀噪声多阶统计矩特性分析 |
| 4.2 基于视频帧总噪声模式的奇阶统计矩特征的视频源相机识别算法 |
| 4.2.1 奇阶统计矩初始特征的提取 |
| 4.2.2 主成份分析 |
| 4.2.3 线性判别分析 |
| 4.2.4 感知器分类方法 |
| 4.3 实验与分析 |
| 4.3.1 实验数据 |
| 4.3.2 仿真实验环境 |
| 4.3.3 用于本次实验性能比较的已有方法 |
| 4.3.4 实验结果分析与比较 |
| 4.4 本章小结 |
| 第五章 基于经验模式分解的视频源智能手机识别 |
| 5.1 经验模式分解 |
| 5.1.1 一维经验模式分解 |
| 5.1.2 二维经验模式分解 |
| 5.2 基于经验模式分解的智能手机视频中模式噪声的预处理算法 |
| 5.2.1 符号定义 |
| 5.2.2 简单画面视频中初始模式噪声区分度分析 |
| 5.2.3 基于EMD的传感器模式噪声的预处理算法 |
| 5.3 基于经验模式分解的视频源智能手机识别实验 |
| 5.3.1 实验数据 |
| 5.3.2 实验结果分析与比较 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间取得的成果 |
| 致谢 |
四、基于支持向量机的小波域视频字幕检测与提取（论文参考文献）
- [1]面向癫痫预警任务的脑电信号分析算法研究[D]. 蒋鋆. 吉林大学, 2021(01)
- [2]基于DAS技术的车辆交通状态辨识与防碰撞预警研究[D]. 刘慧勇. 北京交通大学, 2020(06)
- [3]基于多特征融合的婴儿异常行为检测方法研究[D]. 戴晓辉. 吉林大学, 2020(08)
- [4]中国图像工程:2009[J]. 章毓晋. 中国图象图形学报, 2010(05)
- [5]新闻视频图像中的模式识别技术研究[J]. 单武秋. 湖南科技学院学报, 2008(04)
- [6]基于支持向量机的数字水印技术研究[D]. 李春花. 华中科技大学, 2006(03)
- [7]基于支持向量机的小波域视频字幕检测与提取[J]. 彭培华,曲波,陈荣胜. 华南理工大学学报(自然科学版), 2004(S1)
- [8]基于机器学习的合成孔径雷达遮挡目标识别方法研究[D]. 贺志强. 国防科技大学, 2020(01)
- [9]针对瓷砖的图像分类研究[D]. 张曼. 广东工业大学, 2019(02)
- [10]视频源相机识别研究[D]. 田妮莉. 广东工业大学, 2019(01)