| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-20页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 基于视频图像处理技术的输电线路杆塔鸟巢识别 | 第15-16页 |
| 1.2.2 高速铁路架空接触网系统图像的鸟巢检测 | 第16-17页 |
| 1.3 论文的主要研究工作 | 第17-18页 |
| 1.4 论文结构 | 第18-20页 |
| 2 相关技术介绍 | 第20-34页 |
| 2.1 图像预处理技术 | 第20-22页 |
| 2.1.1 图像灰度化与二值化 | 第20-21页 |
| 2.1.2 形态学操作 | 第21-22页 |
| 2.2 图像特征提取技术 | 第22-28页 |
| 2.2.1 霍夫变换直线检测技术 | 第22-24页 |
| 2.2.2 PCA降维 | 第24页 |
| 2.2.3 LBP特征 | 第24-26页 |
| 2.2.4 Haar特征 | 第26-28页 |
| 2.3 机器学习算法 | 第28-33页 |
| 2.3.1 KNN算法 | 第28-29页 |
| 2.3.2 K-Means算法 | 第29页 |
| 2.3.3 混合高斯模型 | 第29-30页 |
| 2.3.4 AdaBoost分类器 | 第30-31页 |
| 2.3.5 深度学习 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 基于无监督的鸟巢检测算法研究 | 第34-60页 |
| 3.1 样本采集与前期准备 | 第37-40页 |
| 3.2 鸟巢图像预处理 | 第40-42页 |
| 3.2.1 二值化处理 | 第40-41页 |
| 3.2.2 形态学开运算 | 第41-42页 |
| 3.3 鸟巢图像特征提取 | 第42-52页 |
| 3.3.1 渐进式概率式霍夫变换 | 第42-45页 |
| 3.3.2 滑动窗口的设计 | 第45-47页 |
| 3.3.3 数据归一化 | 第47-48页 |
| 3.3.4 特征直方图绘制 | 第48-51页 |
| 3.3.5 特征降维 | 第51-52页 |
| 3.4 基于聚类的鸟巢判定 | 第52-56页 |
| 3.4.1 K-Means | 第53-54页 |
| 3.4.2 GMM聚类分析 | 第54-56页 |
| 3.5 无监督算法实验结果分析 | 第56-58页 |
| 3.5.1 数据集分析与平台介绍 | 第56页 |
| 3.5.2 结果对比与分析 | 第56-58页 |
| 3.6 本章小结 | 第58-60页 |
| 4 基于有监督的鸟巢检测算法研究 | 第60-84页 |
| 4.1 KNN分类算法的应用 | 第60-62页 |
| 4.2 基于ADABOOST分类器的鸟巢检测 | 第62-69页 |
| 4.2.1 训练集正负样本的收集与制作 | 第62-63页 |
| 4.2.2 AdaBoost训练不同特征 | 第63-64页 |
| 4.2.3 运行界面的建立 | 第64-67页 |
| 4.2.4 结果分析与展示 | 第67-69页 |
| 4.3 基于FAST R-CNN的鸟巢检测 | 第69-79页 |
| 4.3.1 样本的采集与扩增 | 第70-72页 |
| 4.3.2 平台搭建与运行 | 第72-75页 |
| 4.3.3 训练模型的生成 | 第75-76页 |
| 4.3.4 结果分析与展示 | 第76-79页 |
| 4.4 有监督算法实验结果分析 | 第79-82页 |
| 4.4.1 数据集分析与平台介绍 | 第79-80页 |
| 4.4.2 结果对比与分析 | 第80-82页 |
| 4.5 本章小结 | 第82-84页 |
| 5 结论 | 第84-86页 |
| 参考文献 | 第86-90页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第90-94页 |
| 学位论文数据集 | 第94页 |