摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第1章 绪论 | 第14-33页 |
1.1 选题背景及研究意义 | 第14-16页 |
1.2 研究现状 | 第16-30页 |
1.2.1 文本检测与定位 | 第17-25页 |
1.2.2 文本分割 | 第25-27页 |
1.2.3 文本识别 | 第27-29页 |
1.2.4 基于识别的场景文本提取方法 | 第29-30页 |
1.3 存在的问题 | 第30-31页 |
1.4 本文主要研究内容 | 第31-33页 |
第2章 基于局部特征的视频文本检测方法 | 第33-53页 |
2.1 引言 | 第33-35页 |
2.2 候选文本区域检测 | 第35-41页 |
2.2.1 基于角点的候选区域检测 | 第36-39页 |
2.2.2 基于角点的多尺度候选区域检测 | 第39-41页 |
2.3 基于笔画宽度特征的文本区域鉴别 | 第41-47页 |
2.3.1 笔画宽度特征 | 第41-43页 |
2.3.2 多示例框架下的文本区域分类 | 第43-45页 |
2.3.3 文本区域分类器学习 | 第45-47页 |
2.4 实验结果与讨论 | 第47-52页 |
2.4.1 候选文本区域检测 | 第47-49页 |
2.4.2 候选区域鉴别 | 第49-51页 |
2.4.3 视频文本检测 | 第51-52页 |
2.5 本章小结 | 第52-53页 |
第3章 基于局部特征的场景字符识别方法 | 第53-81页 |
3.1 引言 | 第53-55页 |
3.2 基于局部特征和空间直方图的字符描述 | 第55-59页 |
3.2.1 基于视觉词袋模型的字符描述 | 第56-57页 |
3.2.2 基于空间直方图的字符描述 | 第57-59页 |
3.3 基于选择性集成学习和模型压缩的场景字符分类方法 | 第59-70页 |
3.3.1 基于选择性集成学习的场景字符分类器学习 | 第60-62页 |
3.3.2 基于边界样本的字符分类器压缩 | 第62-70页 |
3.4 实验结果与讨论 | 第70-80页 |
3.4.1 实验数据 | 第70-71页 |
3.4.2 实验参数设置 | 第71-73页 |
3.4.3 实验结果 | 第73-80页 |
3.5 本章小结 | 第80-81页 |
第4章 基于词图像的场景文本分析方法 | 第81-101页 |
4.1 引言 | 第81-83页 |
4.2 基于局部特征的词图像相似性度量 | 第83-90页 |
4.2.1 方法概述 | 第83-84页 |
4.2.2 局部特征检测与描述 | 第84-86页 |
4.2.3 基于随机森林投影的特征矢量 | 第86-90页 |
4.3 词图像的聚类 | 第90-92页 |
4.4 实验结果与讨论 | 第92-100页 |
4.4.1 实验数据 | 第92-93页 |
4.4.2 实验结果的评价标准 | 第93-94页 |
4.4.3 词图像聚类实验结果 | 第94-100页 |
4.5 本章小结 | 第100-101页 |
第5章 基于Constellation模型的场景文本分析方法 | 第101-119页 |
5.1 引言 | 第101-102页 |
5.2 Constellation字符模型 | 第102-106页 |
5.2.1 字符模型的基本结构 | 第102-103页 |
5.2.2 局部特征表观模型 | 第103页 |
5.2.3 局部特征形状模型 | 第103-104页 |
5.2.4 字符模型的概率计算 | 第104-106页 |
5.2.5 Constellation字符模型的有效性 | 第106页 |
5.3 Constellation字符模型的学习及优化 | 第106-111页 |
5.3.1 Constellation模型的学习 | 第107-108页 |
5.3.2 计算效率的优化 | 第108-111页 |
5.4 场景文本分析的词模型 | 第111-112页 |
5.5 实验结果与讨论 | 第112-117页 |
5.5.1 模型学习实验 | 第112-113页 |
5.5.2 字符与词识别实验 | 第113-116页 |
5.5.3 字符检测实验 | 第116-117页 |
5.6 本章小结 | 第117-119页 |
结论 | 第119-122页 |
参考文献 | 第122-131页 |
攻读博士学位期间发表的论文及其他成果 | 第131-133页 |
致谢 | 第133-134页 |
个人简历 | 第134页 |