| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题研究的背景与意义 | 第12-13页 |
| 1.1.1 课题背景 | 第12-13页 |
| 1.1.2 课题目的与意义 | 第13页 |
| 1.2 国内外现状与发展趋势 | 第13-16页 |
| 1.2.1 国内外研究现状 | 第13-15页 |
| 1.2.2 技术发展趋势 | 第15-16页 |
| 1.3 主要研究内容与章节安排 | 第16-20页 |
| 1.3.1 主要研究内容 | 第16-17页 |
| 1.3.2 章节安排 | 第17-20页 |
| 第2章 室内场景图像的特征提取算法研究 | 第20-38页 |
| 2.1 场景图像特征概述 | 第20-23页 |
| 2.1.1 颜色特征 | 第20-21页 |
| 2.1.2 纹理特征 | 第21-22页 |
| 2.1.3 形状特征 | 第22-23页 |
| 2.2 基于全局特征的室内场景提取算法 | 第23-27页 |
| 2.2.1 Gist算法 | 第23-24页 |
| 2.2.2 Gabor滤波器组 | 第24-26页 |
| 2.2.3 基于Gist算法的室内场景特征提取 | 第26-27页 |
| 2.3 基于局部特征的室内场景提取算法 | 第27-34页 |
| 2.3.1 HOG算法 | 第27-29页 |
| 2.3.2 Canny边缘检测算法 | 第29-30页 |
| 2.3.3 PHOG模型的原理与应用 | 第30-32页 |
| 2.3.4 基于PHOG模型的室内场景特征提取 | 第32-34页 |
| 2.4 多特征融合的室内场景识别研究 | 第34-37页 |
| 2.4.1 室内场景特征融合方法 | 第34-35页 |
| 2.4.2 特征融合方法的选择 | 第35-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 基于支持向量机的场景识别算法研究 | 第38-54页 |
| 3.1 支持向量机(SVM) | 第38-45页 |
| 3.1.1 支持向量机概述 | 第38-39页 |
| 3.1.2 最优分类超平面 | 第39-41页 |
| 3.1.3 线性支持向量机 | 第41-43页 |
| 3.1.4 非线性支持向量机与核函数 | 第43-45页 |
| 3.2 场景多分类算法研究 | 第45-48页 |
| 3.2.1 分解法 | 第46-47页 |
| 3.2.2 有向无环图(DAG) | 第47-48页 |
| 3.2.3 决策树分类法 | 第48页 |
| 3.3 多分类的室内场景识别研究 | 第48-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第4章 室内场景特征的降维处理研究 | 第54-62页 |
| 4.1 基于特征选择的降维处理概述 | 第54-55页 |
| 4.2 F-score算法降维处理研究 | 第55-58页 |
| 4.2.1 F-score算法原理 | 第55-56页 |
| 4.2.2 多分类的F-score算法研究 | 第56-58页 |
| 4.2.3 统一量纲的F-score算法改进 | 第58页 |
| 4.3 场景图像特征的降维实现 | 第58-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第5章 嵌入式场景识别系统构建及实时性优化 | 第62-76页 |
| 5.1 嵌入式室内场景识别系统综述 | 第62-63页 |
| 5.2 i.MX 6Q硬件平台构建 | 第63-66页 |
| 5.2.1 i.MX6Q多核ARM处理器 | 第63-65页 |
| 5.2.2 Linux可视化终端硬件设计 | 第65-66页 |
| 5.3 嵌入式软件开发环境构建与调试 | 第66-70页 |
| 5.3.1 嵌入式Linux操作系统和集成开发环境 | 第66-68页 |
| 5.3.2 系统软件算法流程 | 第68-70页 |
| 5.4 基于i.MX6Q的室内场景识别实现 | 第70-72页 |
| 5.5 嵌入式场景识别系统实时性能优化 | 第72-74页 |
| 5.6 本章小结 | 第74-76页 |
| 第6章 总结与展望 | 第76-80页 |
| 6.1 总结 | 第76-77页 |
| 6.2 展望 | 第77-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84页 |