基于计算机视觉的物体分类关键技术研究
| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-11页 |
| 第1章 绪论 | 第11-25页 |
| ·研究背景 | 第11-13页 |
| ·国内外研究现状 | 第13-21页 |
| ·视觉物体识别的基本思路 | 第13-17页 |
| ·用于物体识别的图像低级特征 | 第17-19页 |
| ·语义词汇的产生与词袋模型 | 第19-21页 |
| ·物体识别中的分类器 | 第21页 |
| ·物体识别分类还有待解决的问题 | 第21-22页 |
| ·局部特征的相似性准则 | 第21-22页 |
| ·视觉词汇生成的聚类方法 | 第22页 |
| ·基于小词库的词袋方法 | 第22页 |
| ·分类器的优化方法 | 第22页 |
| ·本文的研究内容与结构 | 第22-25页 |
| ·论文的研究内容 | 第22-23页 |
| ·论文的结构 | 第23-25页 |
| 第2章 视觉物体分类系统的构成与关键技术 | 第25-41页 |
| ·生物视觉的计算过程分析 | 第25-27页 |
| ·物体识别的两类方法 | 第27-30页 |
| ·基于匹配的方法 | 第27-29页 |
| ·基于统计的方法 | 第29-30页 |
| ·局部不变性特征的描述算子 | 第30-38页 |
| ·熵方法 | 第30-34页 |
| ·SIFT算子 | 第34-38页 |
| ·词袋模型 | 第38-40页 |
| ·自然语言处理中的词袋模型 | 第38页 |
| ·物体识别的词袋模型 | 第38-39页 |
| ·词袋模型中的Bayes分类模型 | 第39-40页 |
| ·小结 | 第40-41页 |
| 第3章 基于SIFT尺度分量的特征点匹配算法 | 第41-60页 |
| ·SIFT关键点基本匹配算法 | 第41-44页 |
| ·最近邻准则 | 第41-43页 |
| ·比值准则 | 第43-44页 |
| ·物体识别中SIFT点的尺度分量特征 | 第44-49页 |
| ·SIFT关键点的两级匹配算法 | 第49-56页 |
| ·并集初匹配算法 | 第49-54页 |
| ·尺度精匹配算法 | 第54-56页 |
| ·基于两级匹配的层次聚类算法 | 第56-58页 |
| ·小结 | 第58-60页 |
| 第4章 物体类别的视觉语义表达模型 | 第60-91页 |
| ·视觉词汇的形成 | 第60-66页 |
| ·k-均值算法 | 第60-61页 |
| ·语义特征提取 | 第61-66页 |
| ·大词典方法 | 第66-72页 |
| ·模型及算法介绍 | 第66-69页 |
| ·分类效果评价 | 第69-70页 |
| ·实验结果 | 第70-72页 |
| ·小词典方法 | 第72-74页 |
| ·聚类 | 第72-73页 |
| ·最近邻距离的决策机制 | 第73-74页 |
| ·分类器 | 第74-79页 |
| ·基于贝叶斯决策分类器 | 第75-76页 |
| ·支持向量机 | 第76-79页 |
| ·基于SVM的视觉词汇生成 | 第79-90页 |
| ·SVM产生视觉词汇表 | 第80-81页 |
| ·SVM在识别程中的应用 | 第81-83页 |
| ·性能分析 | 第83-90页 |
| ·小结 | 第90-91页 |
| 第5章 形状特征在视觉物体分类的判决过程 | 第91-98页 |
| ·形状上下文的提取过程 | 第92-93页 |
| ·形状上下文的匹配过程 | 第93-95页 |
| ·实验与分析 | 第95-97页 |
| ·小结 | 第97-98页 |
| 第6章 车载环境中的应用与性能分析 | 第98-106页 |
| ·车载应用环境分析 | 第99页 |
| ·实验设计 | 第99-101页 |
| ·实验数据库的制备 | 第100-101页 |
| ·实验步骤 | 第101页 |
| ·实验结果与分析 | 第101-105页 |
| ·小结 | 第105-106页 |
| 第7章 总结 | 第106-108页 |
| ·本文的贡献与创新之处 | 第106-107页 |
| ·下一步的工作 | 第107-108页 |
| 参考文献 | 第108-112页 |
| 攻读博士学位期间发表达论文及成果 | 第112-114页 |
| 致谢 | 第114页 |
