结合对立颜色理论与多核学习的场景文字检测方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 引言 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文研究主要内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 2 相关工作 | 第15-22页 |
| 2.1 基于连通区域的文字检测方法 | 第15-18页 |
| 2.1.1 基于最大稳定极值区域的方法 | 第15-16页 |
| 2.1.2 基于笔画宽度转换的方法 | 第16-18页 |
| 2.2 基于纹理的文字检测方法 | 第18-21页 |
| 2.2.1 基于随机蕨的文字检测方法 | 第18-19页 |
| 2.2.2 基于卷积神经网络的文字检测方法 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 图像的核描述子表示及权重计算方法 | 第22-30页 |
| 3.1 核描述子方法 | 第22-26页 |
| 3.1.1 图像特征表示方法 | 第22-23页 |
| 3.1.2 核描述子构造 | 第23-26页 |
| 3.2 自适应特征权重计算 | 第26-29页 |
| 3.2.1 多核学习理论 | 第26-28页 |
| 3.2.2 权重计算方法 | 第28-29页 |
| 3.3 本章小结 | 第29-30页 |
| 4 场景文字检测算法流程及实现 | 第30-37页 |
| 4.1 颜色空间转换 | 第30-32页 |
| 4.1.1 对立颜色理论概述 | 第30-31页 |
| 4.1.2 对立颜色通道提取 | 第31-32页 |
| 4.2 字符区域提取 | 第32-35页 |
| 4.2.1 候选字符区域生成 | 第32-34页 |
| 4.2.2 字符区域过滤 | 第34-35页 |
| 4.3 文本行提取 | 第35-36页 |
| 4.3.1 候选文本行构建 | 第35-36页 |
| 4.3.2 文本行过滤 | 第36页 |
| 4.4 本章小结 | 第36-37页 |
| 5 实验设计与结果分析 | 第37-44页 |
| 5.1 数据集介绍 | 第37-38页 |
| 5.2 实验评价标准 | 第38-39页 |
| 5.3 实验结果及分析 | 第39-43页 |
| 5.4 本章小结 | 第43-44页 |
| 6 总结与展望 | 第44-46页 |
| 6.1 总结 | 第44页 |
| 6.2 展望 | 第44-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50-51页 |
| 在读期间公开发表论文（著）及科研情况 | 第51页 |
