基于交互平台的复杂背景图像文字检测及其应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 章节安排 | 第14-16页 |
| 第二章 传统基于区域的候选文本提取算法分析 | 第16-28页 |
| 2.1 引言 | 第16页 |
| 2.2 传统基于笔画宽度变化的文本提取算法 | 第16-22页 |
| 2.2.1 算法概述 | 第16-17页 |
| 2.2.2 笔画宽度变化算法理论分析 | 第17-19页 |
| 2.2.3 笔画宽度变化算法的优缺点 | 第19-22页 |
| 2.3 传统基于极大稳定极值区域的文本提取算法 | 第22-26页 |
| 2.3.1 算法概述 | 第22-23页 |
| 2.3.2 极大稳定极值区域理论分析 | 第23-24页 |
| 2.3.3 极大稳定极值区域算法的优缺点 | 第24-26页 |
| 2.4 机器人平台的候选文本提取算法选取 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于参数自适应层次聚类算法的文本聚链 | 第28-44页 |
| 3.1 引言 | 第28页 |
| 3.2 多国语言文本检测的问题描述 | 第28-31页 |
| 3.2.1 多国语言文本检测的环境需求 | 第28-29页 |
| 3.2.2 多国语言文本检测的难点及对策 | 第29-31页 |
| 3.3 文本聚链方法分析及选择 | 第31-33页 |
| 3.3.1 基于规则的文本聚链方法 | 第32页 |
| 3.3.2 基于聚类算法的文本聚链方法 | 第32-33页 |
| 3.4 参数自适应的层次聚类算法 | 第33-40页 |
| 3.4.1 传统的层次聚类算法 | 第34-36页 |
| 3.4.2 参数自适应的层次聚类算法 | 第36-40页 |
| 3.5 实验与分析 | 第40-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于两级文本筛选的文本检测算法研究 | 第44-58页 |
| 4.1 引言 | 第44页 |
| 4.2 潜在文本区域的粗筛选算法 | 第44-49页 |
| 4.2.1 基于几何规则的潜在文本粗筛选 | 第44-46页 |
| 4.2.2 潜在文本区域的归一化方法 | 第46-47页 |
| 4.2.3 基于分类器的潜在文本粗筛选 | 第47-49页 |
| 4.3 潜在文本区域的精筛选算法 | 第49-51页 |
| 4.3.1 文本组件的整合 | 第49-50页 |
| 4.3.2 单词级高水平特征提取 | 第50-51页 |
| 4.4 实验与分析 | 第51-57页 |
| 4.4.1 实验评估方法 | 第51-53页 |
| 4.4.2 实验结果与分析 | 第53-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 复杂背景文本检测在机器人平台的应用 | 第58-71页 |
| 5.1 引言 | 第58页 |
| 5.2 机器人平台文本理解系统的功能介绍 | 第58-60页 |
| 5.2.1 机器人平台的文本检测功能 | 第58-59页 |
| 5.2.2 机器人平台的文本识别功能 | 第59-60页 |
| 5.2.3 文本的翻译及搜索功能 | 第60页 |
| 5.3 机器人平台的文本理解系统设计 | 第60-67页 |
| 5.3.1 文本理解系统硬件平台 | 第60-61页 |
| 5.3.2 文本理解系统软件平台 | 第61页 |
| 5.3.3 机器人平台的图像预处理 | 第61-67页 |
| 5.3.4 机器人平台的文本检测系统实现 | 第67页 |
| 5.4 实验与分析 | 第67-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 本文总结 | 第71-72页 |
| 6.2 未来展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间取得的成果 | 第79-80页 |
