| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.2.3 目前遇到的问题 | 第14页 |
| 1.3 视频文本提取系统研究 | 第14-15页 |
| 1.3.1 广告视频文本分类 | 第14-15页 |
| 1.3.2 视频文本提取流程 | 第15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 1.4.1 论文主要内容 | 第15-16页 |
| 1.4.2 论文组织安排 | 第16-17页 |
| 第二章 视频文本提取相关技术介绍 | 第17-30页 |
| 2.1 视频广告文本定位方法 | 第17-20页 |
| 2.1.1 基于连通区域的文本定位 | 第17-18页 |
| 2.1.2 基于边缘特征的文本定位 | 第18页 |
| 2.1.3 基于纹理特征的文本定位 | 第18-19页 |
| 2.1.4 混合特征文本定位 | 第19页 |
| 2.1.5 基于机器学习的文本定位 | 第19-20页 |
| 2.2 视频广告文本分割 | 第20-24页 |
| 2.2.1 基于阀值分割的方法 | 第20-22页 |
| 2.2.2 基于颜色聚类的方法 | 第22-23页 |
| 2.2.3 基于统计模型的分割方法 | 第23-24页 |
| 2.3 视频广告文本识别方法 | 第24-29页 |
| 2.3.1 模式识别的方法 | 第24-26页 |
| 2.3.2 神经网络及学习算法的介绍 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 两阶段的文本定位 | 第30-49页 |
| 3.1 视频文本定位总体框架 | 第30-31页 |
| 3.2 基于边缘特征的粗定位 | 第31-34页 |
| 3.2.1 Canny边缘检测 | 第32-33页 |
| 3.2.2 粗定位实验效果 | 第33-34页 |
| 3.3 基于Co-training算法的文本区域精确定位 | 第34-41页 |
| 3.3.1 小波分解的频域特征提取 | 第34-36页 |
| 3.3.2 灰度共生矩阵特征提取 | 第36-37页 |
| 3.3.3 Co-training算法原理及流程 | 第37-39页 |
| 3.3.4 有标签的协同训练方法 | 第39-41页 |
| 3.4 实验效果与分析 | 第41-47页 |
| 3.4.1 实验环境 | 第42页 |
| 3.4.2 分类器的训练 | 第42-43页 |
| 3.4.3 文本定位结果和分析 | 第43-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 基于迭代图割算法的文本分割 | 第49-63页 |
| 4.1 图分割算法 | 第50-54页 |
| 4.1.1 颜色模型 | 第50-52页 |
| 4.1.2 图割算法 | 第52-54页 |
| 4.2 基于迭代图割算法的图像分割 | 第54-58页 |
| 4.2.1 自动种子算法 | 第55-56页 |
| 4.2.2 迭代图割算法步骤 | 第56-58页 |
| 4.3 实验结果与分析 | 第58-62页 |
| 4.3.1 实验环境 | 第58页 |
| 4.3.2 实验结果与性能分析 | 第58-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 基于卷积神经网络的文本识别 | 第63-79页 |
| 5.1 图像数据处理 | 第63-65页 |
| 5.1.1 确定边界 | 第63-64页 |
| 5.1.2 文字分割 | 第64-65页 |
| 5.2 卷积网络结构分析与设计 | 第65-71页 |
| 5.2.1 CNN结构分析 | 第65-68页 |
| 5.2.2 网络结构设计 | 第68-71页 |
| 5.3 基于卷积神经网络文本识别程序的设计 | 第71-72页 |
| 5.3.1 数据的设置 | 第71页 |
| 5.3.2 程序设计流程图 | 第71-72页 |
| 5.4 实验结果及分析 | 第72-78页 |
| 5.4.1 实验环境 | 第72-74页 |
| 5.4.2 实验结果与分析 | 第74-78页 |
| 5.5 本章小结 | 第78-79页 |
| 第六章 总结和展望 | 第79-81页 |
| 6.1 本文总结 | 第79页 |
| 6.2 展望 | 第79-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-86页 |