嵌入式图像识别信息采集系统的研究与应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 图像识别方法的研究现状 | 第10-11页 |
| 1.2.2 图像识别在嵌入式中的研究现状 | 第11-12页 |
| 1.3 论文研究的目的与意义 | 第12页 |
| 1.4 论文主要的内容 | 第12-14页 |
| 第2章 系统总体方案设计 | 第14-19页 |
| 2.1 系统总体方案分析 | 第14-15页 |
| 2.2 图像识别基本框架 | 第15页 |
| 2.3 嵌入式硬件平台 | 第15-16页 |
| 2.4 嵌入式Linux软件平台 | 第16-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第3章 基于BP神经网络的字符识别 | 第19-36页 |
| 3.1 图像预处理 | 第19-26页 |
| 3.1.1 图像滤波 | 第19-21页 |
| 3.1.2 图像二值化 | 第21-22页 |
| 3.1.3 边缘检测 | 第22-25页 |
| 3.1.4 形态学变换 | 第25-26页 |
| 3.2 字符分割 | 第26-28页 |
| 3.2.1 字符分割算法介绍 | 第26-27页 |
| 3.2.2 本系统字符分割算法 | 第27-28页 |
| 3.3 BP神经网络 | 第28-33页 |
| 3.3.1 神经元模型 | 第28-29页 |
| 3.3.2 BP神经网络模型 | 第29-30页 |
| 3.3.3 BP神经网络的学习过程 | 第30-32页 |
| 3.3.4 BP神经网络算法的步骤及流程图 | 第32-33页 |
| 3.4 字符识别 | 第33-35页 |
| 3.4.1 字符识别算法比较 | 第33-34页 |
| 3.4.2 BP神经网络字符识别 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 多特征融合的SVM图像分类识别 | 第36-53页 |
| 4.1 图像特征 | 第36-41页 |
| 4.1.1 颜色特征 | 第36-38页 |
| 4.1.2 VTD、HTD特征 | 第38-39页 |
| 4.1.3 LBP特征 | 第39-40页 |
| 4.1.4 HOG特征 | 第40-41页 |
| 4.2 支持向量机 | 第41-45页 |
| 4.2.1 支持向量机线性分类器 | 第41-43页 |
| 4.2.2 非线性支持向量机 | 第43-44页 |
| 4.2.3 多分类支持向量机 | 第44-45页 |
| 4.2.4 SVM多特征融合 | 第45页 |
| 4.3 实验和结果 | 第45-52页 |
| 4.3.1 实验系统设计 | 第45-47页 |
| 4.3.2 实验步骤 | 第47页 |
| 4.3.3 结果与讨论 | 第47-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 嵌入式平台的图像识别信息采集 | 第53-59页 |
| 5.1 系统整体功能结构 | 第53-55页 |
| 5.2 仪表信息采集 | 第55-57页 |
| 5.3 锅炉信息采集 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 总结与展望 | 第59-61页 |
| 总结 | 第59页 |
| 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 附录 (攻读硕士学位期间取得的学术成果) | 第65页 |
