基于Adaboost的铁路扣件完损性检测方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 2 扣件图像采集及预处理 | 第15-23页 |
| 2.1 图像采集 | 第15页 |
| 2.2 图像灰度化 | 第15-17页 |
| 2.3 图像增强 | 第17-19页 |
| 2.4 图像去噪 | 第19-22页 |
| 2.4.1 均值滤波 | 第19-20页 |
| 2.4.2 排序统计滤波 | 第20-21页 |
| 2.4.3 自适应维纳滤波 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 扣件区域的定位 | 第23-30页 |
| 3.1 传统扣件定位方法 | 第23页 |
| 3.2 扣件定位算法研究 | 第23-27页 |
| 3.2.1 边缘检测算法 | 第23-26页 |
| 3.2.2 LSD直线提取算法 | 第26-27页 |
| 3.3 精准定位的实现 | 第27-28页 |
| 3.4 本章小结 | 第28-30页 |
| 4 Adaboost算法 | 第30-41页 |
| 4.1 Adaboost算法的概述 | 第30-33页 |
| 4.2 算法存在的问题 | 第33-34页 |
| 4.3 算法的优化 | 第34-39页 |
| 4.3.1 两种相关智能算法 | 第34-36页 |
| 4.3.2 Adaboost算法的改进 | 第36-39页 |
| 4.4 仿真结果及分析 | 第39-40页 |
| 4.5 本章小结 | 第40-41页 |
| 5 基于Adaboost的铁路扣件完损性检测 | 第41-54页 |
| 5.1 Haar-like特征 | 第41-45页 |
| 5.1.1 Haar-like特征理论 | 第41-42页 |
| 5.1.2 矩形特征提取 | 第42-43页 |
| 5.1.3 积分法计算矩形特征值 | 第43-45页 |
| 5.2 扣件检测的分类器设计 | 第45-51页 |
| 5.2.1 弱学习过程 | 第45-47页 |
| 5.2.2 设计强分类器 | 第47-50页 |
| 5.2.3 级联分类器 | 第50-51页 |
| 5.3 扣件完损性检测实验及性能分析 | 第51-53页 |
| 5.4 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读学位期间的研究成果 | 第59页 |
