基于Adaboost的场景文本定位研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究的背景和意义 | 第11-13页 |
| 1.2 国内外研究现状与应用 | 第13-15页 |
| 1.2.1 国外研究现状与应用 | 第13-14页 |
| 1.2.2 国内研究现状与应用 | 第14-15页 |
| 1.3 课题的来源及研究内容 | 第15-17页 |
| 1.3.1 课题来源 | 第15页 |
| 1.3.2 课题的主要研究内容 | 第15-17页 |
| 第2章 场景文本定位的相关知识概述 | 第17-27页 |
| 2.1 自然场景图像及文本特点 | 第17-19页 |
| 2.2 文本定位的主要方法 | 第19-24页 |
| 2.2.1 基于连通区域的文本定位方法 | 第19-21页 |
| 2.2.2 基于纹理的文本定位方法 | 第21-22页 |
| 2.2.3 基于边缘检测的文本定位方法 | 第22-24页 |
| 2.2.4 基于学习的文本定位方法 | 第24页 |
| 2.3 文本定位的问题描述 | 第24-25页 |
| 2.4 文本定位的评价标准 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 候选文本区域生成 | 第27-38页 |
| 3.1 场景图像预处理 | 第27-28页 |
| 3.2 基于改进的Sobel算子的边缘检测 | 第28-35页 |
| 3.2.1 Sobel算子原理 | 第29-30页 |
| 3.2.2 8方向的边缘检测模板 | 第30-31页 |
| 3.2.3 检测模板卷积计算及自适应权值的改进 | 第31-33页 |
| 3.2.4 算法的实现过程 | 第33页 |
| 3.2.5 实验结果与分析 | 第33-35页 |
| 3.3 连通域分析获取候选文本区域 | 第35-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第4章 基于Adaboost的场景文本定位 | 第38-48页 |
| 4.1 Adaboost算法的原理介绍 | 第38-42页 |
| 4.2 Adaboost算法的性能分析 | 第42-43页 |
| 4.3 分类与回归树 | 第43-44页 |
| 4.4 特征提取 | 第44-46页 |
| 4.4.1 Gabor特征 | 第44-45页 |
| 4.4.2 笔画密度 | 第45页 |
| 4.4.3 纹理统计特征 | 第45页 |
| 4.4.4 图像导数的方差和期望 | 第45-46页 |
| 4.5 Adaboost强分类器构建 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 实验结果及分析 | 第48-53页 |
| 5.1 数据库的建立 | 第48-49页 |
| 5.2 参数选择与Adaboost的强分类器构建 | 第49-50页 |
| 5.3 结果与分析 | 第50-52页 |
| 5.3.1 实验结果 | 第50-51页 |
| 5.3.2 与其他算法比较 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 攻读硕士学位期间所发表的学术论文 | 第60-61页 |
| 致谢 | 第61页 |
