基于局部特征的结构模型学习及其在目标检测与定位中的应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-17页 |
| ·研究背景及意义 | 第9-10页 |
| ·本课题的研究现状 | 第10-15页 |
| ·局部特征提取算法的研究现状 | 第11-12页 |
| ·图像表示方法的研究现状 | 第12-15页 |
| ·本文研究内容及结构安排 | 第15-17页 |
| 第二章 SIFT 局部特征 | 第17-29页 |
| ·引言 | 第17-18页 |
| ·SIFT 局部特征提取 | 第18-28页 |
| ·尺度空间的构建 | 第18-22页 |
| ·局部极值点的检测 | 第22-23页 |
| ·候选特征点的精确定位 | 第23-25页 |
| ·特征点主方向的计算 | 第25-27页 |
| ·特征点描述子的生成 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 基于随机森林分类器的结构模型学习 | 第29-42页 |
| ·随机森林 | 第29-36页 |
| ·决策树 | 第30-33页 |
| ·随机森林的数学理论基础 | 第33-36页 |
| ·基于SIFT 局部特征的随机森林分类器 | 第36-39页 |
| ·构建随机森林的输入样本 | 第36-37页 |
| ·分支节点的分裂机制 | 第37-38页 |
| ·叶子节点 | 第38-39页 |
| ·基于随机森林分类器的结构模型学习 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 基于概率投票模型的目标检测与定位 | 第42-61页 |
| ·Mean Shift 算法 | 第43-52页 |
| ·非参数的核密度估计 | 第43-48页 |
| ·基于核密度估计的Mean Shift 算法 | 第48-51页 |
| ·Mean Shift 算法的迭代过程 | 第51-52页 |
| ·局部特征的粗分类 | 第52页 |
| ·概率Hough 投票 | 第52-53页 |
| ·候选目标中心和尺度的检测与验证 | 第53-60页 |
| ·Mean Shift 算法在概率投票模型的应用 | 第54-56页 |
| ·Figure-Ground 分割模型 | 第56-58页 |
| ·基于最小描述长度的Hypothesis 验证 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 实验结果与分析 | 第61-72页 |
| ·实验演示程序介绍 | 第61-62页 |
| ·图像数据集 | 第62-64页 |
| ·多视角的摩托车图像数据集 | 第64-67页 |
| ·UIUC-Cars 图像数据集 | 第67-69页 |
| ·目标检测系统运行速度分析 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| ·本文的主要工作 | 第72-73页 |
| ·对未来的展望 | 第73-74页 |
| 参考文献 | 第74-81页 |
| 致谢 | 第81-82页 |
| 攻读硕士论文期间已发表或录用的论文 | 第82-84页 |
