基于OpenCV的图像分类实现与应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.1.1 图像分类技术的相关背景 | 第8-9页 |
| 1.1.2 图像分类技术在手机中应用的意义 | 第9页 |
| 1.2 人脸检测相关技术概述 | 第9-11页 |
| 1.2.1 基于人脸基本特征的方法 | 第10页 |
| 1.2.2 基于统计的方法 | 第10页 |
| 1.2.3 基于神经网络的方法 | 第10-11页 |
| 1.2.4 Ada Boost算法 | 第11页 |
| 1.3 场景分类相关技术概述 | 第11-12页 |
| 1.4 Open CV简介 | 第12-13页 |
| 1.5 论文研究内容以及章节安排 | 第13-14页 |
| 第二章 基于AdaBoost的Haar分类器 | 第14-21页 |
| 2.1 Haar-Like特征 | 第14-15页 |
| 2.2 AdaBoost算法 | 第15-16页 |
| 2.2.1 弱分类器 | 第15-16页 |
| 2.2.2 强分类器 | 第16页 |
| 2.3 积分图 | 第16-17页 |
| 2.4 级联分类器 | 第17-18页 |
| 2.5 训练分类器 | 第18-21页 |
| 第三章 HOG特征提取 | 第21-28页 |
| 3.1 伽马/色彩归一化 | 第22页 |
| 3.2 利用一阶微分计算图像梯度 | 第22-25页 |
| 3.3 基于梯度幅值的方向权重投影 | 第25-26页 |
| 3.4 HOG特征向量归一化 | 第26页 |
| 3.5 计算HOG特征向量的个数 | 第26-28页 |
| 第四章 SVM算法 | 第28-35页 |
| 4.1 最优超平面 | 第28-30页 |
| 4.2 支持向量 | 第30-32页 |
| 4.3 非线性情况 | 第32-34页 |
| 4.4 训练场景分类器 | 第34-35页 |
| 第五章 实验及结果 | 第35-39页 |
| 5.1 实验开发环境 | 第35页 |
| 5.2 实验过程 | 第35-36页 |
| 5.3 实验结果 | 第36-39页 |
| 第六章 在Android系统的应用 | 第39-51页 |
| 6.1 Android系统的介绍 | 第39-40页 |
| 6.2 开发工具介绍 | 第40页 |
| 6.3 系统框架介绍 | 第40-47页 |
| 6.3.1 脚本文件的编写 | 第42页 |
| 6.3.2 利用JNI实现核心代码 | 第42-47页 |
| 6.4 效果展示 | 第47-51页 |
| 第七章 总结与展望 | 第51-52页 |
| 参考文献 | 第52-54页 |
| 发表论文和科研情况说明 | 第54-55页 |
| 致谢 | 第55-56页 |
