少纹理目标的检测与识别
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 目标检测识别的挑战 | 第14-15页 |
| 1.4 本文研究内容及结构安排 | 第15-17页 |
| 第二章 少纹理目标候选区域检测 | 第17-33页 |
| 2.1 候选区域检测算法分类 | 第17-18页 |
| 2.1.1 分层组合方法 | 第18页 |
| 2.1.2 窗口得分方法 | 第18页 |
| 2.2 选择性搜索算法基本原理 | 第18-22页 |
| 2.2.1 基于图的图像分割 | 第19-20页 |
| 2.2.2 区域相似度计算 | 第20-22页 |
| 2.2.3 分层组合图像初始分割区域 | 第22页 |
| 2.3 改进选择性搜索算法生成候选区域 | 第22-27页 |
| 2.3.1 少纹理区域选择 | 第24-25页 |
| 2.3.2 颜色名称相似度计算 | 第25-26页 |
| 2.3.3 基于种子区域生长的区域合并 | 第26-27页 |
| 2.4 实验结果与分析 | 第27-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于模板匹配的少纹理目标检测识别 | 第33-50页 |
| 3.1 DOT算法基本原理 | 第33-37页 |
| 3.1.1 主梯度方向特征提取 | 第33-34页 |
| 3.1.2 模板匹配相似度计算 | 第34-36页 |
| 3.1.3 分支界定法加速匹配 | 第36-37页 |
| 3.2 FCDOT算法设计 | 第37-40页 |
| 3.2.1 局部图像块提取 | 第37-39页 |
| 3.2.2 图像块颜色特征 | 第39-40页 |
| 3.3 融合候选区域的模板匹配少纹理目标检测 | 第40-41页 |
| 3.4 实验结果与分析 | 第41-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于卷积神经网络的少纹理目标检测识别 | 第50-72页 |
| 4.1 卷积神经网络基本原理 | 第50-52页 |
| 4.2 基于CNN的少纹理目标识别 | 第52-57页 |
| 4.2.1 CNN网络拓扑结构 | 第52-53页 |
| 4.2.2 激活函数选择 | 第53-55页 |
| 4.2.3 CNN分类器 | 第55-56页 |
| 4.2.4 CNN分类训练 | 第56-57页 |
| 4.3 基于CNN的少纹理目标检测 | 第57-61页 |
| 4.3.1 高效目标检测 | 第58-60页 |
| 4.3.2 通过颜色直方图过滤错误检测窗口 | 第60-61页 |
| 4.3.3 窗口融合 | 第61页 |
| 4.4 少纹理目标视角姿态识别 | 第61-66页 |
| 4.4.1 均匀视角模板生成 | 第62-63页 |
| 4.4.2 姿态识别CNN训练 | 第63-66页 |
| 4.5 实验结果与分析 | 第66-71页 |
| 4.6 本章小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 全文总结 | 第72-73页 |
| 5.2 课题研究展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
