2。2。2 强分类器的训练 8

2。2。3 级联检测器的训练 10

3 识别方法 12

3。1 SVM 12

3。1。1 SVM 模型 12

3。1。2 SVM 模型求解 13

3。2 ECOC 框架 14

3。2。1 纠错码 14

3。2。2 ECOC 框架 16

4 实验与结果分析 18

4。1 实验设置 18

4。2 检测阶段实验 19

4。3 识别阶段实验 22

4。3。1 自编码神经网络(Autoencoder) 22

4。3。2 Autoencoder 结合 ECOC 框架 22

4。3。3 OVASVM 识别系统 23

4。3。4 SVM 结合 ECOC 框架 23

第 II  页 本科毕业设计

4。3。5 效果比较 24

4。4 系统评价 24

结 论 28

致 谢 29

参 考 文 献 30

图 2。1 方向梯度直方图生成示意图 5

图 2。2 单元(cell)和块(block)示意图 6

图 2。3 弱分类器模型一、模型二示意图 7

图 2。4 级联检测器示意图 10

图 3。1 SVM 示意图 12

图 3。2 信息传播模型 14

图 3。3 具有纠错能力的信息传播模型 14

图 4。1 识别阶段部分训练图像和测试图像 18

图 4。2 检测效果示例一 20

图 4。3 检测效果示例二 20

图 4。4 检测效果示例三 21

图 4。5 检测效果示例四 21

图 4。6 Autoencoder 结构示意图 22

图 4。7 系统效果示例一 25

图 4。8 系统效果示例二 25

图 4。9 系统效果示例三 26

图 4。10 系统效果示例四 26

图 4。11 系统效果示例五 Hog特征复杂环境下交通图像中缺损标示的检测和修复(2):http://www.youerw.com/jisuanji/lunwen_88863.html