| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题的意义及背景 | 第11-12页 |
| 1.2 深度学习的研究现状 | 第12-13页 |
| 1.3 特征匹配算法的研究现状 | 第13-15页 |
| 1.4 论文的主要工作 | 第15-17页 |
| 第2章 基于特征点的图像匹配算法 | 第17-37页 |
| 2.1 SIFT特征点匹配方法 | 第17-24页 |
| 2.1.1 SIFT特征点的发展与提出 | 第17页 |
| 2.1.2 SIFT的特点 | 第17-18页 |
| 2.1.3 SIFT的算法流程 | 第18-24页 |
| 2.2 SURF特征点匹配方法 | 第24-29页 |
| 2.2.1 SURF特征点的发展与提出 | 第24页 |
| 2.2.2 SURF的特点 | 第24页 |
| 2.2.3 SURF的算法流程 | 第24-29页 |
| 2.3 ORB特征点匹配方法 | 第29-33页 |
| 2.3.1 ORB特征点的发展与提出 | 第29页 |
| 2.3.2 ORB的特点 | 第29页 |
| 2.3.3 ORB的算法流程 | 第29-33页 |
| 2.4 实验与分析 | 第33-35页 |
| 2.4.1 实验环境 | 第33-34页 |
| 2.4.2 匹配实验结果与分析 | 第34-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第3章 R-CNN算法理论基础 | 第37-51页 |
| 3.1 人工神经网络 | 第37-42页 |
| 3.1.1 神经元与人工神经元 | 第37-39页 |
| 3.1.2 人工神经网络模型结构与训练 | 第39-42页 |
| 3.2 卷积神经网络 | 第42-45页 |
| 3.2.1 卷积神经网络结构 | 第42-43页 |
| 3.2.2 卷积神经网络的基本原理 | 第43-45页 |
| 3.3 R-CNN及演变算法 | 第45-49页 |
| 3.3.1 R-CNN算法 | 第45-46页 |
| 3.3.2 FastR-CNN | 第46-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第4章 基于深度学习的ORB去误匹配算法 | 第51-61页 |
| 4.1 基于深度学习的目标识别 | 第51-55页 |
| 4.2 已识别目标轮廓特征提取 | 第55-56页 |
| 4.3 目标的ORB特征点匹配 | 第56-57页 |
| 4.4 仿真实验与分析 | 第57-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 实验结果与分析 | 第61-77页 |
| 5.1 实验平台搭建 | 第61页 |
| 5.2 特征匹配与ORB参数调整的对比实验结果与分析 | 第61-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 致谢 | 第82-84页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第84页 |