| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.1.1 工具痕迹研究意义 | 第10页 |
| 1.1.2 工具痕迹研究的难点 | 第10-11页 |
| 1.2 工具痕迹检验鉴定研究的历史与现状 | 第11-15页 |
| 1.2.1 基于经验的人工比对 | 第11页 |
| 1.2.2 对工具痕迹鉴定理论的质疑 | 第11-12页 |
| 1.2.3 工具痕迹数据采集方法 | 第12页 |
| 1.2.4 工具痕迹计算机比对研究 | 第12-15页 |
| 1.3 本论文的主要工作内容 | 第15-16页 |
| 第二章 工具痕迹图像样本的制作 | 第16-20页 |
| 2.1 螺丝刀擦划痕迹 | 第16-17页 |
| 2.2 钢丝钳剪切痕迹 | 第17-19页 |
| 2.3 断线钳剪切痕迹 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 LBP结合随机森林的研究方法及内容 | 第20-31页 |
| 3.1 LBP算子 | 第20-25页 |
| 3.1.1 LBP | 第20-22页 |
| 3.1.2 分块化 | 第22页 |
| 3.1.3 等价化 | 第22-23页 |
| 3.1.4 建立特征向量 | 第23-24页 |
| 3.1.5 算法可行性的直观证明 | 第24-25页 |
| 3.2 决策树 | 第25-27页 |
| 3.2.1 决策树概述 | 第25-26页 |
| 3.2.2 几种常用决策树的结构 | 第26-27页 |
| 3.3 集成学习与随机森林 | 第27-30页 |
| 3.3.1 集成学习 | 第27-29页 |
| 3.3.2 随机森林 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 基于深度学习经典模型VGG16的研究方法及内容 | 第31-41页 |
| 4.1 迁移学习 | 第31-32页 |
| 4.2 深度学习 | 第32-39页 |
| 4.2.1 深度学习与卷积神经网络 | 第32-34页 |
| 4.2.2 CNN的可视化理解 | 第34-35页 |
| 4.2.3 AlexNet结构 | 第35-39页 |
| 4.3 基于迁移学习的深度学习模型 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 实验结果 | 第41-48页 |
| 5.1 LBP结合随机森林算法的实验结果 | 第41-46页 |
| 5.1.1 四种LBP系列算子的特征提取效果对比 | 第41-43页 |
| 5.1.2 ULBP结合随机森林算法的混淆矩阵 | 第43-46页 |
| 5.2 基于迁移学习与VGG16模型的实验结果 | 第46-47页 |
| 5.3 本章小结 | 第47-48页 |
| 总结与展望 | 第48-50页 |
| 研究总结 | 第48-49页 |
| 工作展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读学位期间发表论文 | 第54-56页 |
| 致谢 | 第56页 |