| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题背景和研究意义 | 第9-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文的主要工作 | 第14-15页 |
| 1.4 组织结构 | 第15-17页 |
| 第二章 相关工作 | 第17-25页 |
| 2.1 基于多通道特征和引导滤波的书法艺术信息提取方法 | 第17-18页 |
| 2.2 基于SGF的书法艺术信息提取方法 | 第18-19页 |
| 2.3 基于卷积神经网络的动作识别算法 | 第19-23页 |
| 2.4 基于TLD的轨迹跟踪算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于分区引导滤波的书法艺术信息提取方法 | 第25-41页 |
| 3.1 对于书法艺术信息的解释 | 第25页 |
| 3.2 艺术信息提取面临的挑战 | 第25-26页 |
| 3.3 基于分区引导滤波的书法艺术信息提取方法 | 第26-30页 |
| 3.3.1 建立参考图像 | 第27-28页 |
| 3.3.2 分区引导滤波 | 第28-30页 |
| 3.4 实验结果与分析 | 第30-40页 |
| 3.4.1 对比方法 | 第30-31页 |
| 3.4.2 评估标准 | 第31页 |
| 3.4.3 结果分析 | 第31-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于MCNN-LSTM的运笔姿态识别算法 | 第41-59页 |
| 4.1 运笔姿态识别面临的挑战 | 第41-42页 |
| 4.2 书法数据集的构建 | 第42-44页 |
| 4.2.1 数据的采集 | 第42页 |
| 4.2.2 基本规范和要求 | 第42-44页 |
| 4.2.3 数据处理 | 第44页 |
| 4.3 细粒度空间特征提取 | 第44-49页 |
| 4.3.1 MCNN的基本思想 | 第44-46页 |
| 4.3.2 结构设计 | 第46-49页 |
| 4.4 时域动作特征提取 | 第49-53页 |
| 4.4.1 LSTM在书法动作识别中的局限性分析 | 第49-50页 |
| 4.4.2 MCNN-LSTM网络结构 | 第50-53页 |
| 4.5 实验结果与分析 | 第53-57页 |
| 4.5.1 对比方法 | 第53-54页 |
| 4.5.2 评估标准 | 第54页 |
| 4.5.3 结果分析 | 第54-57页 |
| 4.6 本章小结 | 第57-59页 |
| 第五章 基于计算机视觉技术的临摹评估方法 | 第59-77页 |
| 5.1 运笔方法在临摹评估的重要性分析 | 第59-60页 |
| 5.2 书写轨迹跟踪 | 第60-67页 |
| 5.2.1 目标区域的选择 | 第60-62页 |
| 5.2.2 算法框架概述 | 第62-63页 |
| 5.2.3 目标检测 | 第63-64页 |
| 5.2.4 偏移计算 | 第64-65页 |
| 5.2.5 轨迹跟踪 | 第65-67页 |
| 5.3 评分预测 | 第67-71页 |
| 5.3.1 构建差异特征 | 第67-69页 |
| 5.3.2 回归预测 | 第69-71页 |
| 5.4 实验结果与分析 | 第71-76页 |
| 5.4.1 评估标准 | 第71-72页 |
| 5.4.2 结果分析 | 第72-76页 |
| 5.5 本章小结 | 第76-77页 |
| 总结与展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 攻读硕士学位期间的研究成果 | 第85-86页 |