面向自然场景的汉字识别研究
| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题背景及研究意义 | 第13-14页 |
| 1.2 相关技术及研究现状 | 第14-17页 |
| 1.2.1 自然场景文字识别的特点 | 第14-15页 |
| 1.2.2 汉字的特点 | 第15-16页 |
| 1.2.3 研究现状 | 第16-17页 |
| 1.3 论文研究内容及章节安排 | 第17-19页 |
| 第二章 基于最大稳定极值区域的候选字符区域提取 | 第19-31页 |
| 2.1 最大稳定极值区域 | 第19-25页 |
| 2.1.1 最大稳定极值区域的基本思想 | 第19-22页 |
| 2.1.2 最大稳定极值区域算法的参数分析 | 第22-24页 |
| 2.1.3 最大稳定极值区域的性质 | 第24-25页 |
| 2.2 数学形态学笔画融合 | 第25-29页 |
| 2.3 本章小结 | 第29-31页 |
| 第三章 启发式规则设计与特征描述算子 | 第31-43页 |
| 3.1 启发式规则设计 | 第31-34页 |
| 3.1.1 连通区域标记 | 第31页 |
| 3.1.2 字符区域特征分析 | 第31-34页 |
| 3.2 常用的特征描述算子 | 第34-36页 |
| 3.2.1 LBP特征描述算子 | 第34-35页 |
| 3.2.2 Gist特征 | 第35-36页 |
| 3.3 方向梯度直方图描述算子 | 第36-41页 |
| 3.3.1 颜色空间标准化/Gamma标准化 | 第37-38页 |
| 3.3.2 梯度计算 | 第38页 |
| 3.3.3 空间方向梯度统计 | 第38-39页 |
| 3.3.4 空间块划分和归一化 | 第39-40页 |
| 3.3.5 块内归一化 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 支持向量机精确分类与文字识别 | 第43-53页 |
| 4.1 支持向量机 | 第43-51页 |
| 4.1.1 线性可分下的最优分类面 | 第43-45页 |
| 4.1.2 最优性条件 | 第45-46页 |
| 4.1.3 对偶规划问题转化 | 第46-47页 |
| 4.1.4 广义最优分类面 | 第47-49页 |
| 4.1.5 支持向量机的核函数变换 | 第49-50页 |
| 4.1.6 常用核函数 | 第50-51页 |
| 4.1.7 核函数及其参数选择 | 第51页 |
| 4.2 k最邻近算法 | 第51-52页 |
| 4.2.1 k最邻近算法的基本思想 | 第51-52页 |
| 4.2.2 距离和相似性度量 | 第52页 |
| 4.3 本章小结 | 第52-53页 |
| 第五章 系统实现与实验分析 | 第53-63页 |
| 5.1 总体思想 | 第53-54页 |
| 5.2 候选字符区域提取 | 第54-56页 |
| 5.3 启发式规则过滤性能分析 | 第56-57页 |
| 5.4 SVM精确定位于KNN文字识别 | 第57-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 结论 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 研究成果及发表的学术论文 | 第71-73页 |
| 作者和导师简介 | 第73-75页 |
| 附件 | 第75-76页 |
