| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 国内外图像文本检测技术的研究现状 | 第11-13页 |
| 1.2.2 国内外敏感文件检测技术的研究现状 | 第13页 |
| 1.3 论文主要工作及结构安排 | 第13-16页 |
| 第二章 图像文本文件字符识别技术 | 第16-26页 |
| 2.1 光学字符识别OCR技术 | 第16-19页 |
| 2.1.1 百度OCR识别 | 第16-17页 |
| 2.1.2 阿里OCR识别 | 第17-18页 |
| 2.1.3 腾讯OCR识别 | 第18-19页 |
| 2.2 Tesseract-ocr开源系统文字识别 | 第19-20页 |
| 2.3 ABBYY FineReader Engine | 第20-21页 |
| 2.4 图像预处理实现 | 第21-25页 |
| 2.4.1 基于霍夫线变换的图像特征检测 | 第21-23页 |
| 2.4.2 透视变换 | 第23-24页 |
| 2.4.3 基于霍夫圆变换的印章检测 | 第24-25页 |
| 2.5 印刷体文本图像文件检测整体流程 | 第25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 图像文本检测算法设计与实现 | 第26-36页 |
| 3.1 图像文本检测技术 | 第26-31页 |
| 3.1.1 图像文本检测算法思想 | 第26页 |
| 3.1.2 SWT笔画宽度算法 | 第26-27页 |
| 3.1.3 基于二维离散傅里叶变换的图像倾斜检测 | 第27-31页 |
| 3.2 中文文本图像检测技术实现 | 第31-34页 |
| 3.2.1 中文印刷体图像感兴趣区域(ROI) | 第32页 |
| 3.2.2 改进的笔画宽度算法 | 第32-33页 |
| 3.2.3 中文印刷体检测算法优化 | 第33-34页 |
| 3.3 实验结果与分析 | 第34-35页 |
| 3.3.1 中文文本图像样本库建立 | 第34-35页 |
| 3.3.2 文本检测结果对比规则 | 第35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于深度学习的敏感文件检测模型设计与实现 | 第36-50页 |
| 4.1 深度学习的原理 | 第36-38页 |
| 4.1.1 神经元模型 | 第36-37页 |
| 4.1.2 多层感知器模型 | 第37页 |
| 4.1.3 反向传播算法 | 第37-38页 |
| 4.2 深度学习网络 | 第38-43页 |
| 4.2.1 循环神经网络RNN | 第38-39页 |
| 4.2.2 长短期记忆神经网络LSTM | 第39-41页 |
| 4.2.3 双向长短期记忆神经网络Bi-LSTM | 第41-42页 |
| 4.2.4 注意力分层模型 | 第42-43页 |
| 4.3 神经网络优化 | 第43-45页 |
| 4.3.1 Dropout 改进过拟合 | 第43-44页 |
| 4.3.2 LSTM Dropout正则化 | 第44-45页 |
| 4.4 基于Bi-LSTM与HAN(分层注意力机制)的敏感文件检测模型设计 | 第45-46页 |
| 4.5 敏感文件语料库建立 | 第46-47页 |
| 4.6 实验结果与分析 | 第47-49页 |
| 4.6.1 模型参数设计 | 第47-48页 |
| 4.6.2 实验结果对比 | 第48-49页 |
| 4.7 本章小结 | 第49-50页 |
| 第五章 敏感文件检测系统设计与实现 | 第50-54页 |
| 5.1 系统概述 | 第50-53页 |
| 5.1.1 图像预处理 | 第50-51页 |
| 5.1.2 图像扫描管理 | 第51-52页 |
| 5.1.3 文本图像OCR识别 | 第52页 |
| 5.1.4 敏感文本图像文件检测 | 第52-53页 |
| 5.2 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 本文工作总结 | 第54页 |
| 6.2 未来工作展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 攻读学位期间的研究成果 | 第61-62页 |
| 致谢 | 第62页 |
