| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 物体识别的国内外研究现状 | 第11-14页 |
| 1.3 论文的研究内容和结构安排 | 第14-16页 |
| 第二章 特征提取及词袋模型相关理论 | 第16-32页 |
| 2.1 SIFT算法 | 第16-22页 |
| 2.1.1 构建尺度空间 | 第16-17页 |
| 2.1.2 极值点的检测与定位 | 第17-19页 |
| 2.1.3 关键点的方向分配 | 第19-20页 |
| 2.1.4 关键点描述 | 第20页 |
| 2.1.5 SIFT特征提取实例 | 第20-22页 |
| 2.2 词袋模型 | 第22-26页 |
| 2.2.1 文本信息检索分类算法 | 第22-23页 |
| 2.2.2 词袋模型的基本原理 | 第23-24页 |
| 2.2.3 视觉词典 | 第24-25页 |
| 2.2.4 空间金字塔词袋模型的图像表达 | 第25-26页 |
| 2.3 SVM分类器 | 第26-31页 |
| 2.3.1 线性可分SVM | 第26-28页 |
| 2.3.2 线性不可分SVM | 第28-29页 |
| 2.3.3 非线性SVM | 第29-30页 |
| 2.3.4 核函数 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 人工神经网络及卷积神经网络的算法理论 | 第32-44页 |
| 3.1 人工神经网络简介 | 第32-36页 |
| 3.1.1 神经元模型 | 第33-35页 |
| 3.1.2 人工神经网络的类别 | 第35-36页 |
| 3.1.3 人工神经网络的学习模式 | 第36页 |
| 3.2 反向传播算法 | 第36-40页 |
| 3.3 卷积神经网络 | 第40-43页 |
| 3.3.1 卷积神经网络结构 | 第40-41页 |
| 3.3.2 卷积层的梯度计算 | 第41-42页 |
| 3.3.3 下采样层的梯度计算 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于SIFT和SURF融合特征的物体识别算法 | 第44-57页 |
| 4.1 SURF算法 | 第44-47页 |
| 4.1.1 特征点检测与定位 | 第44-45页 |
| 4.1.2 特征点描述 | 第45-47页 |
| 4.2 SIFT和SURF融合特征表达 | 第47-48页 |
| 4.3 金字塔词袋模型表达 | 第48页 |
| 4.4 基于融合特征和金字塔词袋模型的物体分类器 | 第48-49页 |
| 4.5 实验结果和分析 | 第49-56页 |
| 4.5.1 相关实验数据集介绍 | 第49-51页 |
| 4.5.2 实验结果与分析 | 第51-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 基于Gabor特征的DCNN物体识别算法 | 第57-80页 |
| 5.1 Alex Net网络 | 第57-60页 |
| 5.1.1 网络全局结构 | 第57-58页 |
| 5.1.2 网络结构细节 | 第58-60页 |
| 5.2 基于DCNN的物体识别算法 | 第60-72页 |
| 5.2.1 实验环境搭建 | 第61页 |
| 5.2.2 实验数据集 | 第61-63页 |
| 5.2.3 DCNN网络结构设计 | 第63-64页 |
| 5.2.4 DCNN学习率的确定 | 第64-67页 |
| 5.2.5 DCNN激活函数的确定 | 第67-68页 |
| 5.2.6 DCNN层数的确定 | 第68-70页 |
| 5.2.7 DCNN卷积核个数的确定 | 第70-72页 |
| 5.3 Gabor特征与 4CS-DCNN相结合的物体识别算法 | 第72-76页 |
| 5.3.1 Gabor特征提取 | 第72-74页 |
| 5.3.2 Gabor特征与 4CS-DCNN相结合的模型 | 第74-76页 |
| 5.4 基于Gabor特征的DCNN模型的具体应用 | 第76-78页 |
| 5.5 本章小结 | 第78-80页 |
| 结论 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 攻读硕士学位期间取得的研究成果 | 第88-90页 |
| 致谢 | 第90-91页 |
| 附件 | 第91页 |
