| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 文字检测与识别 | 第10-12页 |
| 1.2.2 书法风格识别 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 2 经典的书法风格识别算法 | 第16-36页 |
| 2.1 数据预处理 | 第16-21页 |
| 2.1.1 自适应最小包围盒算法 | 第16-19页 |
| 2.1.2 填充归一化 | 第19-20页 |
| 2.1.3 标准电脑体数据集 | 第20-21页 |
| 2.2 常用特征提取算法 | 第21-28页 |
| 2.2.1 Gabor特征 | 第21-23页 |
| 2.2.2 小波特征 | 第23-26页 |
| 2.2.3 Gist特征 | 第26-28页 |
| 2.3 SVM分类器 | 第28-34页 |
| 2.3.1 线性可分的SVM | 第28-31页 |
| 2.3.2 核函数的非线性SVM | 第31-33页 |
| 2.3.3 SVM多分类 | 第33-34页 |
| 2.4 实验结果及分析 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 3 基于卷积神经网络的书法风格识别 | 第36-50页 |
| 3.1 卷积神经网络概述 | 第36-43页 |
| 3.1.1 卷积神经网络 | 第36-37页 |
| 3.1.2 TensorFlow框架 | 第37-39页 |
| 3.1.3 反向传播算法 | 第39-40页 |
| 3.1.4 梯度下降算法 | 第40-41页 |
| 3.1.5 Softmax | 第41-43页 |
| 3.2 基于经典CNN模型的书法风格识别 | 第43-48页 |
| 3.2.1 基于LeNet-5模型的书法风格识别 | 第43-46页 |
| 3.2.2 基于GoogleNet模型的书法风格识别 | 第46-47页 |
| 3.2.3 基于ResNet模型的书法风格识别 | 第47-48页 |
| 3.3 实验结果与分析 | 第48-49页 |
| 3.4 本章小结 | 第49-50页 |
| 4 基于改进模型的书法风格识别 | 第50-60页 |
| 4.1 改进LENET-5模型的书法风格识别 | 第50-54页 |
| 4.1.1 LeNet-5模型的改进 | 第50-52页 |
| 4.1.2 模型的训练 | 第52-53页 |
| 4.1.3 特征可视化 | 第53-54页 |
| 4.2 C-LENET模型的书法风格识别 | 第54-56页 |
| 4.2.1 C-LeNet模型结构 | 第54-56页 |
| 4.2.2 C-LeNet模型训练 | 第56页 |
| 4.3 实验结果及分析 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 5 总结和展望 | 第60-62页 |
| 5.1 总结 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 附录 | 第68页 |