面向交通场景的图像分类技术研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 主要研究机构 | 第11页 |
| 1.2.2 主要研究方法 | 第11-12页 |
| 1.3 场景分类面临的问题 | 第12-13页 |
| 1.4 本文研究内容与结构安排 | 第13-14页 |
| 第2章 交通场景图像的特征提取技术 | 第14-24页 |
| 2.1 全局特征的提取方法 | 第14-15页 |
| 2.1.1 颜色特征 | 第14-15页 |
| 2.1.2 纹理特征 | 第15页 |
| 2.1.3 形状特征 | 第15页 |
| 2.2 局部特征的提取方法 | 第15-22页 |
| 2.2.1 局部特征检测器 | 第16页 |
| 2.2.2 局部特征描述算子 | 第16-17页 |
| 2.2.3 SIFT局部特征 | 第17-21页 |
| 2.2.4 基于颜色信息的SIFT描述算子 | 第21-22页 |
| 2.3 场景结构法 | 第22-23页 |
| 2.4 视觉词袋法 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于BOF模型的交通场景图像分类 | 第24-42页 |
| 3.1 BOF的构建过程 | 第24-29页 |
| 3.1.1 特征检测与图像描述 | 第25-26页 |
| 3.1.2 聚类 | 第26-27页 |
| 3.1.3 BOF的量化过程 | 第27-29页 |
| 3.2 SVM分类算法 | 第29-30页 |
| 3.2.1 SVM分类算法基本原理 | 第29页 |
| 3.2.2 SVM的核函数 | 第29-30页 |
| 3.3 金字塔匹配模型 | 第30-31页 |
| 3.3.1 空间金字塔匹配原理 | 第30-31页 |
| 3.4 实验结果与分析 | 第31-41页 |
| 3.4.1 基于BOF的图像分类 | 第32-36页 |
| 3.4.2 基于空间金字塔匹配的图像分类 | 第36-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于稀疏编码的交通场景图像分类 | 第42-55页 |
| 4.1 稀疏编码的数学模型及其优点 | 第42-44页 |
| 4.2 算法框架 | 第44-45页 |
| 4.3 特征量化 | 第45-48页 |
| 4.3.1 硬编码 | 第45页 |
| 4.3.2 软编码 | 第45-46页 |
| 4.3.3 稀疏编码 | 第46页 |
| 4.3.4 局部线性编码 | 第46-47页 |
| 4.3.5 局部软分配编码 | 第47-48页 |
| 4.4 特征编码合并方式 | 第48-49页 |
| 4.5 实验结果与分析 | 第49-54页 |
| 4.5.1 码本大小的影响 | 第49-50页 |
| 4.5.2 训练样本大小的影响 | 第50-51页 |
| 4.5.3 基于颜色信息的SIFT描述子的影响 | 第51-52页 |
| 4.5.4 三种分类方法的实验结果 | 第52-53页 |
| 4.5.5 本文方法的图像分类性能的对比 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第61页 |
