| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 研究现状 | 第11-17页 |
| 1.2.1 目标识别研究现状 | 第12-13页 |
| 1.2.2 特征融合研究现状 | 第13-17页 |
| 1.3 本文研究内容及章节安排 | 第17-19页 |
| 1.3.1 本文研究内容 | 第17-18页 |
| 1.3.2 章节安排 | 第18-19页 |
| 2 传统特征间融合 | 第19-32页 |
| 2.1 采用的传统特征算法原理 | 第19-28页 |
| 2.1.1 颜色直方图原理 | 第19-20页 |
| 2.1.2 LBP算法原理 | 第20-22页 |
| 2.1.3 HOG算法原理 | 第22-24页 |
| 2.1.4 GABOR算法原理 | 第24-25页 |
| 2.1.5 基于稠密SIFT的BOW算法原理 | 第25-28页 |
| 2.2 传统特征融合 | 第28-29页 |
| 2.3 传统特征融合实验结果与分析 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 3 传统特征直接与深度学习特征融合 | 第32-41页 |
| 3.1 深度学习理论 | 第32-36页 |
| 3.1.1 深度学习的发展 | 第32-33页 |
| 3.1.2 卷积神经网络原理 | 第33-36页 |
| 3.2 采用的特征简介 | 第36-37页 |
| 3.3 传统特征直接和CNN特征融合 | 第37-39页 |
| 3.4 传统特征直接和CNN特征融合结果 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 传统特征间接与深度学习特征融合 | 第41-52页 |
| 4.1 融合方法概述 | 第41-42页 |
| 4.2 LBP特征与CNN特征融合 | 第42-45页 |
| 4.2.1 LBP特征编码后与CNN特征融合 | 第42-44页 |
| 4.2.2 LBP特征与CNN卷积层特征融合 | 第44-45页 |
| 4.3 CANNY特征与CNN特征融合 | 第45-46页 |
| 4.4 GABOR特征与CNN特征融合 | 第46-48页 |
| 4.4.1 GABOR特征编码后与CNN特征融合 | 第47-48页 |
| 4.4.2 GABOR特征与CNN卷积层特征融合 | 第48页 |
| 4.5 稠密SIFT特征与CNN特征融合 | 第48-49页 |
| 4.6 实验结果 | 第49-50页 |
| 4.7 本章小结 | 第50-52页 |
| 5 安卓平台实现 | 第52-60页 |
| 5.1 安卓平台相关技术介绍 | 第52-54页 |
| 5.2 景点数据库建立 | 第54页 |
| 5.3 对基于稠密SIFT的SPM算法的改进 | 第54-59页 |
| 5.3.1 SLIC算法原理 | 第55-56页 |
| 5.3.2 基于稠密SIFT的SPM算法原理 | 第56-57页 |
| 5.3.3 基于稠密SIFT的SPM算法的改进方法 | 第57-58页 |
| 5.3.4 基于稠密SIFT的SPM算法的改进结果 | 第58-59页 |
| 5.4 安卓平台实现效果 | 第59页 |
| 5.5 本章小结 | 第59-60页 |
| 6 结论与展望 | 第60-62页 |
| 6.1 结论 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第65-67页 |
| 学位论文数据集 | 第67页 |