复杂场景中的实时目标识别
| 摘要 | 第1-6页 |
| 英文摘要 | 第6-7页 |
| 目录 | 第7-9页 |
| 插图目录 | 第9-13页 |
| 第一章 绪论 | 第13-20页 |
| ·研究背景及选题意义 | 第13-15页 |
| ·相关研究现状概述 | 第15-18页 |
| ·目标识别问题描述 | 第15-17页 |
| ·目标识别的相关研究与历史发展 | 第17-18页 |
| ·本文贡献及主要工作 | 第18-20页 |
| ·本文贡献 | 第18-19页 |
| ·主要工作与内容安排 | 第19-20页 |
| 第二章 目标识别模型研究 | 第20-37页 |
| 21 概述 | 第20页 |
| ·Bag of Words | 第20-24页 |
| ·轮廓与边界 | 第24-25页 |
| ·图像分割 | 第25页 |
| ·Constellation与Codebook | 第25-29页 |
| ·改进的Bag of Words-SOAW模型 | 第29-36页 |
| ·系统背景与特点分析 | 第29-32页 |
| ·作为特征的小尺寸目标-SOAW模型 | 第32-34页 |
| ·对SOAW可行性的相关研究论证 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第三章 目标特征提取与描述研究 | 第37-53页 |
| ·概述 | 第37页 |
| ·特征检测与提取 | 第37-42页 |
| ·检测子分类 | 第37-39页 |
| ·使用一阶导数 | 第39页 |
| ·使用二阶导数 | 第39-40页 |
| ·不使用导数的检测子 | 第40-41页 |
| ·检测子评估 | 第41-42页 |
| ·特征描述 | 第42-43页 |
| ·一种新的特征-多区域角点 | 第43-49页 |
| ·概述 | 第43页 |
| ·多区域角点定义 | 第43-44页 |
| ·多区域角点检测 | 第44-47页 |
| ·多区域角点描述 | 第47页 |
| ·多区域角点应用效果 | 第47-49页 |
| ·本章小结 | 第49-53页 |
| 第四章 学习分类器与识别研究 | 第53-62页 |
| ·概述 | 第53-54页 |
| ·最大期望(EM) | 第54页 |
| ·基于Boosting的学习 | 第54-55页 |
| ·支持向量机 | 第55-57页 |
| ·SOAW模型下的快速学习与识别 | 第57-60页 |
| ·快速学习与识别算法要求 | 第57-58页 |
| ·基于SOAW模型的朴素贝叶斯学习与识别 | 第58-59页 |
| ·基于SOAW模型的k-NN学习与识别 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 第五章 复杂场景下的实时目标识别系统研究整合 | 第62-79页 |
| ·概述 | 第62页 |
| ·基于SOAW模型的目标识别系统流程 | 第62-64页 |
| ·使用片元特征与灰度直方图描述 | 第64-67页 |
| ·系统设计 | 第64-65页 |
| ·实验结果与分析 | 第65-67页 |
| ·使用角点特征与区域描述 | 第67-73页 |
| ·系统设计 | 第67-71页 |
| ·实验结果与分析 | 第71-73页 |
| ·相关识别系统对比与分析 | 第73-78页 |
| ·本章小结 | 第78-79页 |
| 第六章 本文总结与展望 | 第79-81页 |
| ·本文工作 | 第79页 |
| ·工作展望 | 第79-81页 |
| 参考文献 | 第81-91页 |
| 攻读硕士学位期间的研究成果 | 第91-92页 |
| 致谢 | 第92页 |
