| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 文字检测研究背景及意义 | 第9-10页 |
| 1.2 文字检测与提取技术发展及现状 | 第10-11页 |
| 1.3 自然场景图像文字检测技术难点 | 第11-12页 |
| 1.4 本文主要工作及论文结构 | 第12-14页 |
| 第二章 常用文字检测方法概述 | 第14-20页 |
| 2.1 基于边缘特征的方法 | 第15-16页 |
| 2.2 基于纹理特征的方法 | 第16-17页 |
| 2.3 基于连通分量的方法 | 第17-19页 |
| 2.4 其它的方法 | 第19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 基于MSER的候选连通分量提取 | 第20-29页 |
| 3.1 引言 | 第20页 |
| 3.2 最大稳定极值区域 | 第20-23页 |
| 3.2.1 最大稳定极值区域的数学定义 | 第21-22页 |
| 3.2.2 最大稳定极值区域的性质 | 第22-23页 |
| 3.3 文字候选连通分量提取 | 第23-25页 |
| 3.4 嵌套MSER的去冗余 | 第25-27页 |
| 3.5 本章小结 | 第27-29页 |
| 第四章 结合连通分量规则度与Adaboost的文本定位 | 第29-44页 |
| 4.1 引言 | 第29页 |
| 4.2 文字检测系统框架 | 第29-30页 |
| 4.3 连通分量分析 | 第30-31页 |
| 4.4 特征提取 | 第31-34页 |
| 4.4.1 一般性特征 | 第31-32页 |
| 4.4.2 新的连通分量规则度特征 | 第32-34页 |
| 4.5 连通分量分类 | 第34-38页 |
| 4.5.1 Adaboost算法介绍 | 第34-35页 |
| 4.5.2 弱分类器构建 | 第35-36页 |
| 4.5.3 Adaboost强分类器 | 第36页 |
| 4.5.4 分类结果与分析 | 第36-38页 |
| 4.6 文字结构合并及文本行验证 | 第38-40页 |
| 4.7 实验结果与分析 | 第40-43页 |
| 4.7.1 数据库与评价标准 | 第40-42页 |
| 4.7.2 实验结果分析 | 第42-43页 |
| 4.8 本章小结 | 第43-44页 |
| 第五章 基于决策树的文本检测 | 第44-54页 |
| 5.1 引言 | 第44页 |
| 5.2 基于C4.5 决策树的字符合并 | 第44-48页 |
| 5.2.1 C4.5 决策树算法 | 第45-47页 |
| 5.2.2 字符连通分量的合并 | 第47-48页 |
| 5.3 候选文本区域的分类 | 第48-51页 |
| 5.3.1 支持向量机 | 第49-50页 |
| 5.3.2 字符与非字符分类 | 第50-51页 |
| 5.4 实验结果 | 第51-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 本文工作总结 | 第54页 |
| 6.2 未来研究展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第59-60页 |
| 致谢 | 第60页 |