| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 研究现状与趋势 | 第14-19页 |
| 1.3 本文的主要工作 | 第19-20页 |
| 第2章 基础理论 | 第20-34页 |
| 2.1 引言 | 第20页 |
| 2.2 局部不变特征 | 第20-23页 |
| 2.2.1 概述 | 第20-21页 |
| 2.2.2 SIFT特征提取 | 第21-23页 |
| 2.3 目标ROI的属性图的相似性度量 | 第23-26页 |
| 2.3.1 属性图 | 第23页 |
| 2.3.2 属性图匹配 | 第23-25页 |
| 2.3.3 属性图对相似性度量 | 第25-26页 |
| 2.4 RSOM聚类树 | 第26-28页 |
| 2.4.1 RSOM聚类树基本原理 | 第26页 |
| 2.4.2 大数据集的RSOM树训练算法 | 第26-27页 |
| 2.4.3 RSOM树增量训练算法 | 第27页 |
| 2.4.4 基于RSOM树的大规模聚类方法 | 第27-28页 |
| 2.5 类属超图建模 | 第28-32页 |
| 2.5.1 类属超图基本模型 | 第28-29页 |
| 2.5.2 基于RSOM树的CSHG快速训练 | 第29页 |
| 2.5.3 属性图相似性传播聚类原理 | 第29-32页 |
| 2.5.4 CSHG的优化训练 | 第32页 |
| 2.6 小结 | 第32-34页 |
| 第3章 ROI检测与识别 | 第34-53页 |
| 3.1 概述 | 第34页 |
| 3.2 ADABOOST-CSHG目标检测与识别 | 第34-42页 |
| 3.2.1 基于Haar-Adaboost框架的目标检测 | 第34-37页 |
| 3.2.2 Adaboost-CSHG两阶段目标识别 | 第37-38页 |
| 3.2.3 目标检测与识别试验 | 第38-42页 |
| 3.3 基于CSHG模型的目标检测与识别 | 第42-51页 |
| 3.3.1 基于CSHG模型的目标检测与识别一体化框架 | 第42-44页 |
| 3.3.2 目标检测实验结果与分析 | 第44-51页 |
| 3.4 小结 | 第51-53页 |
| 第4章 识别系统的并行分布式设计与实现 | 第53-64页 |
| 4.1 系统的功能概述 | 第53页 |
| 4.2 并行分布式处理系统的设计与实现 | 第53-59页 |
| 4.2.1 系统总体结构设计 | 第53页 |
| 4.2.2 功能模块划分 | 第53-59页 |
| 4.3 试验结果与性能分析 | 第59-63页 |
| 4.3.1 基于集群的目标检测与识别系统 | 第59-60页 |
| 4.3.2 系统各模块性能分析 | 第60-63页 |
| 4.4 小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 附录A (攻读硕士学位期间发表的学术论文目录) | 第70页 |
