| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 基于窗口的自然场景文字检测算法 | 第12-13页 |
| 1.2.2 基于连通区域的自然场景文字检测算法 | 第13-14页 |
| 1.2.3 基于纹理特征的自然场景文字检测算法 | 第14页 |
| 1.2.4 基于机器学习的自然场景文字检测算法 | 第14-15页 |
| 1.2.5 现有自然场景文字检测算法存在的问题 | 第15页 |
| 1.3 论文主要研究内容 | 第15-17页 |
| 第二章 基于连通区域的自然场景文字检测 | 第17-25页 |
| 2.1 最大稳定极值区域(MSER)的算法原理 | 第17-19页 |
| 2.2 最大稳定极值区域(MSER)的数学定义 | 第19-20页 |
| 2.3 最大稳定极值区域(MSER)的在自然场景文字检测中的应用 | 第20-24页 |
| 2.3.1 基于启发式规则的连通区域分析 | 第20-23页 |
| 2.3.2 嵌套和重叠的MSER连通区域筛选与合并处理 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于深度学习的自然场景水平方向文字检测 | 第25-39页 |
| 3.1 基于SSD的通用目标检测算法 | 第25-32页 |
| 3.1.1 SSD的模型结构 | 第25-28页 |
| 3.1.2 SSD的算法策略 | 第28-31页 |
| 3.1.3 SSD算法在自然场景文字检测中的应用 | 第31-32页 |
| 3.2 自然场景水平方向文字检测算法 | 第32-36页 |
| 3.2.1 自然场景水平方向文字检测器Text-HD的结构 | 第33页 |
| 3.2.2 自然场景水平方向文字检测器Text-HD的优化策略 | 第33-36页 |
| 3.3 实验过程 | 第36-37页 |
| 3.3.1 实验数据集与评估准则 | 第36-37页 |
| 3.3.2 实验参数设置 | 第37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于深度学习的自然场景多方向文字检测 | 第39-51页 |
| 4.1 自然场景中多方向文字检测算法 | 第40-48页 |
| 4.1.1 自然场景中多方向文字检测器Text-OD的结构 | 第40-41页 |
| 4.1.2 自然场景中多方向文字检测器Text-OD的优化策略 | 第41-44页 |
| 4.1.3 自然场景中多方向文字检测器Text-OD的相关处理方法 | 第44-47页 |
| 4.1.4 旋转矩形边界包围框和四边形边界包围框的对比 | 第47-48页 |
| 4.2 实验过程 | 第48-50页 |
| 4.2.1 实验数据集与评估准则 | 第48-49页 |
| 4.2.2 实验参数设置 | 第49-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 自然场景文字检测系统的设计与实验分析 | 第51-56页 |
| 5.1 数据训练和测试的硬件平台 | 第51页 |
| 5.2 系统测试平台的软件工具和界面设计 | 第51-53页 |
| 5.3 实验结果及分析 | 第53-55页 |
| 5.3.1 水平方向文字检测结果分析 | 第53-54页 |
| 5.3.2 多方向文字检测结果分析 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 总结与展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读学位期间发表论文 | 第61-64页 |
| 致谢 | 第64页 |
