摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-25页 |
1.1 论文的研究背景 | 第11-13页 |
1.2 局部不变特征的研究内容和技术框架 | 第13-14页 |
1.3 局部不变特征检测研究现状 | 第14-20页 |
1.3.1 角点特征检测方法 | 第14-16页 |
1.3.2 斑点特征检测方法 | 第16-18页 |
1.3.3 区域特征检测方法 | 第18-20页 |
1.4 局部不变特征描述方法研究现状 | 第20-22页 |
1.4.1 基于分布的描述符 | 第20-21页 |
1.4.2 基于微分的描述符 | 第21页 |
1.4.3 基于矩的描述符 | 第21-22页 |
1.5 论文的主要研究内容和结构安排 | 第22-25页 |
1.5.1 论文的主要研究内容 | 第22页 |
1.5.2 论文的章节安排 | 第22-25页 |
第二章 尺度空间理论 | 第25-41页 |
2.1 引言 | 第25页 |
2.2 传统中的多尺度 | 第25-27页 |
2.3 尺度空间 | 第27-34页 |
2.3.1 尺度空间发展历程 | 第27页 |
2.3.2 尺度空间的数学基础 | 第27-28页 |
2.3.3 高斯尺度空间 | 第28-30页 |
2.3.4 高斯尺度空间核 | 第30-32页 |
2.3.5 图像多尺度和多分辨率 | 第32-34页 |
2.4 尺度检测机制 | 第34-38页 |
2.4.1 尺度选择思路 | 第34-36页 |
2.4.2 尺度选择准则 | 第36-37页 |
2.4.3 尺度空间中的偏导数表达和 Hessian 矩阵 | 第37-38页 |
2.5 斑点检测常用算子 | 第38-40页 |
2.5.1 LoG 检测 | 第38-39页 |
2.5.2 DoH 检测 | 第39-40页 |
2.6 本章小结 | 第40-41页 |
第三章 基于相似性度量优化的 SIFT 图像匹配算法 | 第41-61页 |
3.1 引言 | 第41-42页 |
3.2 SIFT 检测算法 | 第42-51页 |
3.2.1 检测尺度空间极值点 | 第42-46页 |
3.2.2 精确定位特征点 | 第46-49页 |
3.2.3 确定特征点主方向 | 第49-50页 |
3.2.4 特征描述符生成及匹配 | 第50-51页 |
3.3 基于相似性度量优化的 SIFT 图像匹配算法 | 第51-54页 |
3.3.1 常见相似性度量 | 第52页 |
3.3.2 相似性度量优化 | 第52-54页 |
3.4 实验结果与分析 | 第54-59页 |
3.5 本章小结 | 第59-61页 |
第四章 基于随机 K-D 树和 SURF 算法的图像配准 | 第61-85页 |
4.1 引言 | 第61-62页 |
4.2 SURF 算法 | 第62-68页 |
4.2.1 尺度空间特征点检测 | 第62-66页 |
4.2.2 生成特征点的描述向量 | 第66-68页 |
4.3 特征点搜索 | 第68-73页 |
4.3.1 K-D 树 | 第68-70页 |
4.3.2 BBF 查询机制 | 第70-72页 |
4.3.3 随机 K-D 树 | 第72-73页 |
4.4 随机抽样一致性算法(RANSAC) | 第73-76页 |
4.5 实验结果及分析 | 第76-84页 |
4.5.1 实验流程图 | 第76页 |
4.5.2 实验结果及分析 | 第76-84页 |
4.6 本章小结 | 第84-85页 |
第五章 基于 Gabor 特征和分块 2DPCA 的人脸识别 | 第85-97页 |
5.1 引言 | 第85-86页 |
5.2 基于 Gabor 小波的人脸特征提取 | 第86-89页 |
5.2.1 Gabor 小波原理 | 第86-88页 |
5.2.2 Gabor 小波人脸特征提取 | 第88-89页 |
5.3 分块 2DPCA 降维 | 第89-92页 |
5.3.1 PCA 方法 | 第89-90页 |
5.3.2 2DPCA 方法 | 第90-91页 |
5.3.3 分块 2DPCA 降维 | 第91-92页 |
5.4 实验结果及分析 | 第92-95页 |
5.5 本章小结 | 第95-97页 |
第六章 结论 | 第97-101页 |
6.1 论文工作总结 | 第97-98页 |
6.2 本文主要创新之处 | 第98-99页 |
6.3 需要进一步研究的工作 | 第99-101页 |
参考文献 | 第101-111页 |
致谢 | 第111-113页 |
攻读博士学位期间所取得的相关科研成果 | 第113-114页 |