基于SVM的视频中文本检测与提取方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题的研究意义 | 第10-11页 |
| ·视频图像文本的特征 | 第11-12页 |
| ·课题相关领域的现状 | 第12-15页 |
| ·特征提取 | 第12-13页 |
| ·基于学习的分类算法的设计 | 第13-14页 |
| ·文本区域的定位和文字识别 | 第14-15页 |
| ·课题的研究内容和本文的章节安排 | 第15-16页 |
| 第2章 特征提取算法的研究 | 第16-32页 |
| ·边缘检测算法研究 | 第16-20页 |
| ·基于梯度的边缘检测 | 第16-18页 |
| ·基于拉普拉斯算子的边缘检测 | 第18-19页 |
| ·基于canny算子的边缘检测 | 第19-20页 |
| ·基于小波变换的特征检测 | 第20-23页 |
| ·小波变换在图像处理上的优势 | 第20-22页 |
| ·小波基函数与分解层数的选取 | 第22-23页 |
| ·纹理分析 | 第23-27页 |
| ·纹理定义 | 第23页 |
| ·纹理分析 | 第23-27页 |
| ·特征提取 | 第27-29页 |
| ·基于边缘图像的统计特性的提取 | 第27-28页 |
| ·基于小波变换的纹理特征的提取 | 第28-29页 |
| ·实验结果分析 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 SVM分类器设计 | 第32-52页 |
| ·统计学习理论的核心内容 | 第32-36页 |
| ·学习过程一致性的条件 | 第32-33页 |
| ·VC维理论 | 第33-34页 |
| ·推广性的界 | 第34-35页 |
| ·结构风险最小化 | 第35-36页 |
| ·支持向量机 | 第36-45页 |
| ·构造最优分类超平面 | 第36-41页 |
| ·特征空间中的计算 | 第41页 |
| ·支持向量机构造 | 第41-43页 |
| ·核函数的选择及其参数的确定 | 第43-45页 |
| ·SVM分类器训练 | 第45-46页 |
| ·实验结果分析 | 第46-51页 |
| ·SVM分类器的分类结果比较 | 第47-48页 |
| ·正负训练样本的比例对分类结果的影响 | 第48页 |
| ·不同核函数对分类结果的影响 | 第48-49页 |
| ·核参数和误差惩罚因子对分类结果的影响 | 第49-50页 |
| ·滑动窗口和滑动步长的大小对分类结果的影响 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第4章 文本区域的定位和文字识别处理 | 第52-63页 |
| ·基于形态学的去噪处理 | 第52-56页 |
| ·形态学基本运算 | 第52-54页 |
| ·基本的形态学算法 | 第54页 |
| ·基于形态学的候选文本的去噪处理 | 第54-56页 |
| ·文本区域的增强和二值化处理 | 第56-59页 |
| ·图像的增强处理 | 第56-58页 |
| ·二值化处理 | 第58-59页 |
| ·文字识别 | 第59-61页 |
| ·OCR技术 | 第59-60页 |
| ·OCR识别 | 第60-61页 |
| ·实验结果 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第70-71页 |
| 致谢 | 第71页 |
