| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文研究的意义 | 第12-13页 |
| 1.4 本文所做的工作与论文的组织结构 | 第13-15页 |
| 2 特征提取与匹配 | 第15-28页 |
| 2.1 特征提取 | 第15-23页 |
| 2.1.1 LBP 特征提取 | 第15-17页 |
| 2.1.2 SIFT 空间金字塔模型 | 第17-20页 |
| 2.1.3 HOG 特征提取 | 第20-21页 |
| 2.1.4 Gabor 特征 | 第21-23页 |
| 2.2 实验分析 | 第23-26页 |
| 2.2.1 基于 LBP 分类实验 | 第23-25页 |
| 2.2.2 基于 SIFT 的物体匹配 | 第25页 |
| 2.2.3 基于 HOG 的行人检测 | 第25-26页 |
| 2.3 本章小结 | 第26-28页 |
| 3 基于视觉词汇模型的感知纹理分类基础 | 第28-38页 |
| 3.1 K-MEANS 聚类分析 | 第28-30页 |
| 3.2 分类算法 | 第30-34页 |
| 3.2.1 支持向量机 | 第30-31页 |
| 3.2.2 KNN 分类算法 | 第31-32页 |
| 3.2.3 Adaboost 和 Bagging 分类算法 | 第32-33页 |
| 3.2.4 决策树分类法 | 第33-34页 |
| 3.3 视觉词汇集合描述 | 第34-35页 |
| 3.4 相似性度量 | 第35-36页 |
| 3.5 实验分析 | 第36-37页 |
| 3.5.1 支持向量机用于纹理分类实验 | 第36页 |
| 3.5.2 支持向量机用于纹理合成实验 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 4 视觉词汇优化技术 | 第38-46页 |
| 4.1 聚类优化 | 第38-42页 |
| 4.1.1 初始聚类中心的优化 | 第38页 |
| 4.1.2 支持向量机对聚类过程优化 | 第38-42页 |
| 4.1.3 聚类优化的难点 | 第42页 |
| 4.2 区分性的小块 | 第42页 |
| 4.3 空间金字塔匹配模型 | 第42-44页 |
| 4.4 实验结果及分析 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 感知纹理分类 | 第46-57页 |
| 5.1 基于 TAMURA 的感知纹理分类 | 第46-48页 |
| 5.2 基于 CLBP 的感知纹理分类 | 第48-49页 |
| 5.3 基于空间金字塔的感知纹理分类 | 第49-51页 |
| 5.4 改进的空间金字塔感知纹理分类 | 第51-55页 |
| 5.5 本章小结 | 第55-57页 |
| 6 总结和展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 个人简历 | 第64页 |
| 研究成果 | 第64页 |
| 发表的学术论文 | 第64-65页 |