基于组件树和霍夫森林的文字检测与识别
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第13-24页 |
| 1.1 研究背景及意义 | 第13-16页 |
| 1.2 国内外研究现状 | 第16-22页 |
| 1.2.1 基于边缘的特征分类 | 第17-18页 |
| 1.2.2 基于区域的特征分类 | 第18-19页 |
| 1.2.3 基于纹理的特征分类 | 第19-21页 |
| 1.2.4 基于笔画的特征分类 | 第21-22页 |
| 1.3 本文的主要工作和贡献 | 第22页 |
| 1.4 本文的内容组织 | 第22-24页 |
| 2 基于深度学习的文字定位 | 第24-36页 |
| 2.1 引言 | 第24页 |
| 2.2 深度学习概述 | 第24-27页 |
| 2.2.1 深度学习与神经网络 | 第24-25页 |
| 2.2.2 深度学习的基本思想 | 第25-26页 |
| 2.2.3 深度学习的训练 | 第26-27页 |
| 2.3 卷积自编码器概述 | 第27-28页 |
| 2.4 稀疏表达概述 | 第28页 |
| 2.5 基于无监督特征的文字定位 | 第28-32页 |
| 2.5.1 样本生成 | 第29页 |
| 2.5.2 特征学习 | 第29-30页 |
| 2.5.3 分类器训练 | 第30-32页 |
| 2.6 实验结果 | 第32-35页 |
| 2.7 本章总结 | 第35-36页 |
| 3 基于组件树的文字定位 | 第36-47页 |
| 3.1 引言 | 第36-37页 |
| 3.2 最大稳定极值区域 | 第37-40页 |
| 3.3 组件树提取算法 | 第40-41页 |
| 3.4 基于混合特征的分类 | 第41-44页 |
| 3.5 实验结果 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 4 基于随机森林的目标检测 | 第47-53页 |
| 4.1 引言 | 第47-48页 |
| 4.2 随机森林概述 | 第48-49页 |
| 4.3 随机森林的训练 | 第49-51页 |
| 4.4 随机森林的检测 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 5 基于霍夫森林的文字检测与识别 | 第53-66页 |
| 5.1 引言 | 第53-54页 |
| 5.2 霍夫变换 | 第54-56页 |
| 5.3 广义霍夫变换 | 第56-59页 |
| 5.4 霍夫森林概述 | 第59-65页 |
| 5.4.1 特征选取 | 第59-60页 |
| 5.4.2 分割函数 | 第60-62页 |
| 5.4.3 搜索算法 | 第62-64页 |
| 5.4.4 尺度搜索 | 第64-65页 |
| 5.5 本章小结 | 第65-66页 |
| 6 实验结果及分析 | 第66-79页 |
| 6.1 引言 | 第66页 |
| 6.2 数据集 | 第66-69页 |
| 6.2.1 VOC 2012 | 第66-67页 |
| 6.2.2 ICDAR 2013 | 第67-69页 |
| 6.2.3 人工样本生成 | 第69页 |
| 6.3 评价指标 | 第69-72页 |
| 6.4 结果分析 | 第72-78页 |
| 6.5 本章小结 | 第78-79页 |
| 7 总结与展望 | 第79-81页 |
| 7.1 本文主要工作总结 | 第79-80页 |
| 7.2 后续研究方向展望 | 第80-81页 |
| 致谢 | 第81-83页 |
| 攻读硕士学位期间主要的研究成果 | 第83-85页 |
| 参考文献 | 第85-88页 |
