| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 手工设计的特征提取算法研究现状 | 第10-11页 |
| 1.2.2 深度学习研究现状 | 第11-12页 |
| 1.3 本文主要工作与内容安排 | 第12-14页 |
| 第二章 手工特征提取算法简介 | 第14-24页 |
| 2.1 梯度方向直方图 | 第14-19页 |
| 2.1.1 色彩和伽马归一化 | 第14-15页 |
| 2.1.2 梯度计算 | 第15-16页 |
| 2.1.3 在每个cell内统计梯度方向直方图 | 第16-17页 |
| 2.1.4 归一化每个block内的直方图 | 第17-18页 |
| 2.1.5 所有block内的直方图集合在一起得到HOG特征 | 第18-19页 |
| 2.2 局部二值模式特征提取 | 第19-23页 |
| 2.2.1 局部二值模式特征的提取方法 | 第19-20页 |
| 2.2.2 圆形局部二值模式 | 第20-21页 |
| 2.2.3 旋转不变性的局部二值模式 | 第21页 |
| 2.2.4 均匀局部二值模式 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 卷积神经网络 | 第24-35页 |
| 3.1 人工神经网络概述 | 第24-28页 |
| 3.2 卷积神经网络 | 第28-32页 |
| 3.3 卷积神经网络的训练 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于卷积神经网络的桥牌识别系统 | 第35-51页 |
| 4.1 桥牌识别系统的场景和目标 | 第35-37页 |
| 4.2 桥牌的定位 | 第37-47页 |
| 4.3 桥牌的分类 | 第47-48页 |
| 4.4 与HOG和LBP对比 | 第48-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 总结与展望 | 第51-52页 |
| 5.1 本文工作总结 | 第51页 |
| 5.2 未来工作 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 附录 | 第57-58页 |
| 致谢 | 第58页 |