基于L-GEM和样本不平衡的视频字幕提取方法
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| ·研究的背景和意义 | 第10-11页 |
| ·国内外研究状况 | 第11-14页 |
| ·基于连通区域的方法 | 第12页 |
| ·基于纹理的方法 | 第12-13页 |
| ·基于边缘的方法 | 第13页 |
| ·基于支持向量机的方法 | 第13-14页 |
| ·基于贝叶斯分类器的方法 | 第14页 |
| ·基于神经网络的方法 | 第14页 |
| ·本论文的主要工作 | 第14-15页 |
| ·论文的组织结构安排 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第二章 特征提取算法的分析与研究 | 第17-26页 |
| ·纹理特征 | 第17-21页 |
| ·基于灰度直方图的纹理特征 | 第18-19页 |
| ·基于灰度共生矩阵的纹理特征 | 第19-21页 |
| ·基于小波变换的纹理特征提取 | 第21-22页 |
| ·小波变换在特征提取上的应用 | 第21-22页 |
| ·基于边缘算子的特征选取 | 第22-25页 |
| ·边缘算子 | 第22-24页 |
| ·边缘算子在特征提取上的应用 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 局部泛化误差模型 | 第26-35页 |
| ·径向基函数神经网络 | 第26-30页 |
| ·RBF 神经网络的结构和工作原理 | 第26-28页 |
| ·径向基函数神经网络的学习算法 | 第28-30页 |
| ·局部泛化误差模型 | 第30-34页 |
| ·引言 | 第30-31页 |
| ·Q 邻域与 Q 联合域 | 第31-32页 |
| ·局部泛化误差 | 第32页 |
| ·RBF 神经网络的随机敏感度 | 第32-33页 |
| ·局部泛化误差模型的特性 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 视频关键帧提取 | 第35-43页 |
| ·选取关键帧的原则 | 第35页 |
| ·关键帧的主要提取方法 | 第35-38页 |
| ·基于镜头边界提取关键帧 | 第36页 |
| ·基于图像信息提取关键帧 | 第36-37页 |
| ·基于运动分析提取关键帧 | 第37页 |
| ·基于视频聚类的方法提取关键帧 | 第37-38页 |
| ·本文中视频关键帧的提取方法 | 第38-42页 |
| ·关键文本点 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 样本不平衡问题 | 第43-53页 |
| ·样本不平衡分类问题的难点 | 第43-44页 |
| ·不平衡问题的研究现状 | 第44-47页 |
| ·本文采用的不平衡问题方法 | 第47-52页 |
| ·基于敏感度的欠采样方法 | 第47-49页 |
| ·实验分析 | 第49-52页 |
| ·本章小结 | 第52-53页 |
| 第六章 基于局部泛化误差模型的视频文本区域检测 | 第53-59页 |
| ·视频关键帧提取 | 第53-54页 |
| ·视频字幕的特征提取 | 第54-55页 |
| ·边缘算子提取梯度特征 | 第54-55页 |
| ·小波提取纹理特征 | 第55页 |
| ·基于径向基函数神经网络的分类器 | 第55-56页 |
| ·实验结果及分析 | 第56-57页 |
| ·本章小结 | 第57-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 攻读博士/硕士学位期间取得的研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 附件 | 第68页 |
