| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略词表 | 第13-14页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 图像识别技术 | 第15页 |
| 1.2.2 图像特征的提取 | 第15-16页 |
| 1.2.3 分类模型 | 第16-17页 |
| 1.2.4 词袋模型 | 第17-18页 |
| 1.3 主要内容与结构安排 | 第18-19页 |
| 第二章 SIFT算法的原理与实现 | 第19-31页 |
| 2.1 引言 | 第19页 |
| 2.2 SIFT算法的原理与实现 | 第19-25页 |
| 2.2.1 SIFT算法的基本步骤 | 第19页 |
| 2.2.2 SIFT算法的基本原理 | 第19-25页 |
| 2.2.2.1 尺度空间极值的检测 | 第19-21页 |
| 2.2.2.2 特征点定位 | 第21-23页 |
| 2.2.2.3 方向确定 | 第23-24页 |
| 2.2.2.4 特征点描述 | 第24-25页 |
| 2.3 SIFT特征直接匹配方法 | 第25-30页 |
| 2.3.1 SIFT特征匹配方法原理与实现 | 第25-27页 |
| 2.3.2 SIFT特征匹配方法分析 | 第27页 |
| 2.3.3 随机抽样一致（RANSAC）算法 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 词袋模型的基本原理与实现 | 第31-46页 |
| 3.1 引言和问题描述 | 第31页 |
| 3.2 视觉词袋模型的基本原理与实现 | 第31-45页 |
| 3.2.1 k-means聚类算法 | 第33-39页 |
| 3.2.1.1 距离公式 | 第33-34页 |
| 3.2.1.2 k-means的基本原理与实现 | 第34-35页 |
| 3.2.1.3 k-means的优化算法 | 第35-38页 |
| 3.2.1.4 Mini-batch k-means聚类算法 | 第38-39页 |
| 3.2.2 构造视觉词汇直方图 | 第39-42页 |
| 3.2.3 支持向量机的基本原理 | 第42-45页 |
| 3.3 本章小结 | 第45-46页 |
| 第四章 基于图像处理的定位系统构建与实验结果 | 第46-63页 |
| 4.1 引言 | 第46页 |
| 4.2 实验数据集 | 第46-49页 |
| 4.3 验证SIFT特征的可行性 | 第49-53页 |
| 4.4 实验模型的构建 | 第53-55页 |
| 4.4.1 图像灰度化 | 第53页 |
| 4.4.2 SIFT特征直接匹配模型 | 第53-54页 |
| 4.4.3 基于SIFT特征的词袋模型 | 第54-55页 |
| 4.5 实验结果及分析 | 第55-62页 |
| 4.5.1 实验评估标准 | 第55页 |
| 4.5.2 实验结果及分析 | 第55-60页 |
| 4.5.3 基于图像处理的定位系统 | 第60-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 结论和展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录 | 第69-71页 |