| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-24页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 列车故障检测研究现状 | 第13-15页 |
| 1.3 计算机视觉研究现状 | 第15-21页 |
| 1.3.1 形状表示研究现状 | 第16-20页 |
| 1.3.2 形状匹配研究现状 | 第20-21页 |
| 1.4 本文主要研究工作和创新点 | 第21-24页 |
| 1.4.1 本文主要内容 | 第21-22页 |
| 1.4.2 主要创新点 | 第22-24页 |
| 第二章 图像边缘模型分类及边缘检测算法研究 | 第24-42页 |
| 2.1 引言 | 第24-25页 |
| 2.2 图像边缘定义及模型分类 | 第25-27页 |
| 2.2.1 阶跃边缘 | 第25-26页 |
| 2.2.2 斜坡模型 | 第26页 |
| 2.2.3 三角形屋脊边缘 | 第26-27页 |
| 2.3 经典边缘检测算法研究 | 第27-35页 |
| 2.3.1 基于灰度直方图的边缘检测 | 第27-28页 |
| 2.3.2 基于微分算子的边缘检测 | 第28-31页 |
| 2.3.3 基于 Canny 算子的边缘检测 | 第31-32页 |
| 2.3.4 实验结果 | 第32-35页 |
| 2.4 基于小波变换的图像边缘检测算法研究 | 第35-41页 |
| 2.4.1 连续小波变换 | 第36-37页 |
| 2.4.2 离散小波变换 | 第37页 |
| 2.4.3 小波变换边缘检测基本原理 | 第37-40页 |
| 2.4.4 实验结果 | 第40-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第三章 基于 PCA-SC 形状描述子的目标识别算法 | 第42-56页 |
| 3.1 引言 | 第42-43页 |
| 3.2 PCA-SC 全局特征算法理论研究 | 第43-49页 |
| 3.2.1 形状上下文算法原理 | 第43-45页 |
| 3.2.2 主成分分析算法原理与方法 | 第45-47页 |
| 3.2.3 构建 PCA-SC 特征描述符 | 第47-49页 |
| 3.3 实验结果及分析 | 第49-55页 |
| 3.3.1 运算速度测试 | 第49-50页 |
| 3.3.2 识别准确率测试 | 第50-53页 |
| 3.3.3 含噪图像识别准确率测试 | 第53-54页 |
| 3.3.4 抗噪性能测试 | 第54-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第四章 基于分层描述与弹性匹配的目标识别算法 | 第56-82页 |
| 4.1 引言 | 第56-59页 |
| 4.2 基于分层描述的轮廓局部特征形状描述 | 第59-72页 |
| 4.2.1 轮廓分层描述算法原理 | 第61-67页 |
| 4.2.2 形状上下文形状相似度计算 | 第67-68页 |
| 4.2.3 仿真实验及分析 | 第68-72页 |
| 4.3 基于弹性匹配的目标轮廓的识别 | 第72-76页 |
| 4.3.1 相似度测量 | 第72-73页 |
| 4.3.2 可靠性测量 | 第73页 |
| 4.3.3 弹性匹配方法 | 第73-76页 |
| 4.4 仿真实验及分析 | 第76-81页 |
| 4.4.1 MPEG-7 数据库测试与分析 | 第76-79页 |
| 4.4.2 Kimia 数据库测试与分析 | 第79-81页 |
| 4.5 本章小结 | 第81-82页 |
| 第五章 基于轮廓特征的列车转向架的故障识别研究 | 第82-105页 |
| 5.1 引言 | 第82-83页 |
| 5.2 列车转向架边缘检测 | 第83-87页 |
| 5.2.1 基于灰度微分算子的边缘检测 | 第83-86页 |
| 5.2.2 基于多尺度小波变换的边缘检测 | 第86-87页 |
| 5.3 列车转向架典型故障的识别应用 | 第87-104页 |
| 5.3.1 心盘螺栓丢失松动故障识别 | 第87-97页 |
| 5.3.2 表面油污故障识别 | 第97-101页 |
| 5.3.3 表面裂纹故障识别 | 第101-104页 |
| 5.4 本章小结 | 第104-105页 |
| 第六章 总结与展望 | 第105-107页 |
| 6.1 工作总结 | 第105-106页 |
| 6.2 研究展望 | 第106-107页 |
| 参考文献 | 第107-118页 |
| 攻读硕士学位期间发表的论文及申请专利 | 第118-119页 |
| 致谢 | 第119-120页 |