| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 少纹理目标识别算法国内外研究现状 | 第13-15页 |
| 1.3 基于GPU的目标识别算法 | 第15页 |
| 1.4 本文研究内容及结构安排 | 第15-17页 |
| 第二章 数字图像中少纹理目标识别算法研究 | 第17-29页 |
| 2.1 基于描述子算法 | 第17-22页 |
| 2.1.1 SIFT算法 | 第18-19页 |
| 2.1.2 BOLD算法 | 第19-21页 |
| 2.1.3 BORDER算法 | 第21-22页 |
| 2.2 基于模板匹配算法 | 第22-28页 |
| 2.2.1 DOT算法 | 第23-25页 |
| 2.2.2 LINE2D/LINEMOD算法 | 第25-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 基于方向压缩映射的少纹理目标候选框快速检测算法 | 第29-42页 |
| 3.1 一种基于方向压缩映射的算法 | 第29-34页 |
| 3.1.1 量化和编码梯度方向 | 第29-30页 |
| 3.1.2 方向压缩映射(OrientationCompressedMap,OCM) | 第30-31页 |
| 3.1.3 相似度测量和目标候选位置 | 第31-34页 |
| 3.2 算法流程 | 第34-36页 |
| 3.3 实验结果与性能分析 | 第36-41页 |
| 3.3.1 实验平台和图片数据库 | 第37-38页 |
| 3.3.2 算法性能分析 | 第38-40页 |
| 3.3.3 算法识别时间 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于局部特征加权的少纹理目标识别算法 | 第42-57页 |
| 4.1 一种基于梯度特征加权的算法 | 第42-45页 |
| 4.1.1 特征区域加权(DiscriminativeRegionWeight,DRW) | 第42-43页 |
| 4.1.2 扩展梯度方向 | 第43-44页 |
| 4.1.3 提取目标位置和类别 | 第44-45页 |
| 4.2 算法流程 | 第45-48页 |
| 4.3 实验结果与性能比较 | 第48-56页 |
| 4.3.1 实验数据库 | 第48-49页 |
| 4.3.2 识别性能评估指标 | 第49-51页 |
| 4.3.3 权重参数wr分析 | 第51-52页 |
| 4.3.4 算法在图片库中识别率比较 | 第52-55页 |
| 4.3.5 算法识别时间比较 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 少纹理目标识别算法在GPU上的实现 | 第57-72页 |
| 5.1 GPU开发模型CUDA | 第57-60页 |
| 5.1.1 线程模型 | 第58-59页 |
| 5.1.2 纹理存储器 | 第59-60页 |
| 5.2 少纹理目标识别算法(OCM-DRW)并行性分析 | 第60-62页 |
| 5.3 基于CUDA的少纹理目标识别算法设计 | 第62-67页 |
| 5.3.1 Canny边缘检测算法在CUDA上的实现 | 第62-63页 |
| 5.3.2 OCM-DRW算法在CUDA上的实现 | 第63-67页 |
| 5.4 算法加速性能评估 | 第67-71页 |
| 5.4.1 实验数据和实验平台 | 第67-68页 |
| 5.4.2 实验结果 | 第68-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72页 |
| 6.2 展望 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 在学期间的研究成果及发表的学术论文 | 第80页 |
