| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 课题研究内容 | 第11-12页 |
| 1.4 论文的结构安排 | 第12-13页 |
| 2 基于LLC稀疏的图像SIFT特征提取方法 | 第13-25页 |
| 2.1 引言 | 第13页 |
| 2.2 SIFT特征提取方法 | 第13-16页 |
| 2.3 更高层特征表达方法 | 第16-20页 |
| 2.3.1 词袋模型 | 第16页 |
| 2.3.2 空间金字塔匹配 | 第16-18页 |
| 2.3.3 基于稀疏编码的空间金字塔匹配 | 第18-19页 |
| 2.3.4 局部约束线性编码 | 第19-20页 |
| 2.4 改进的词袋模型与SIFT结合 | 第20-22页 |
| 2.5 不同特征表达方法下的图像分类实验结果 | 第22-25页 |
| 3 基于浅层网络的图像分类识别方法 | 第25-41页 |
| 3.1 引言 | 第25-26页 |
| 3.2 常用的浅层图像分类识别算法 | 第26-29页 |
| 3.2.1 K最近邻分类算法 | 第26-27页 |
| 3.2.2 支持向量机 | 第27-29页 |
| 3.3 结合稀疏的支持向量机图像分类方法 | 第29-34页 |
| 3.3.1 Linux下使用VLFeat提取SIFT特征 | 第29-31页 |
| 3.3.2 Linux下安装配置LIBSVM | 第31-32页 |
| 3.3.3 基于LLC算法的分类过程 | 第32-34页 |
| 3.4 浅层图像分类方法的优化 | 第34-39页 |
| 3.4.1 现有浅层图像分类方法存在的问题 | 第34-35页 |
| 3.4.2 DARTS算法的基本思想 | 第35-36页 |
| 3.4.3 浅层图像分类方法的优化方案 | 第36-39页 |
| 3.5 基于DARTS算法的SVM分类实验结果和分析 | 第39-41页 |
| 4 基于深层网络的图像分类识别方法 | 第41-51页 |
| 4.1 基于卷积神经网络的图像特征提取 | 第41-43页 |
| 4.2 卷积神经网络的分类方法研究 | 第43-48页 |
| 4.2.1 常见的卷积神经网络 | 第43-46页 |
| 4.2.2 网络的框架设计及参数调节 | 第46-48页 |
| 4.3 卷积神经网络测试的流程及结果 | 第48-51页 |
| 4.3.1 准确率的产生过程及结果 | 第48-49页 |
| 4.3.2 单幅图像的测试过程及结果 | 第49-51页 |
| 5 实验与结果分析 | 第51-65页 |
| 5.1 深层网络的环境搭建 | 第51-54页 |
| 5.1.1 caffe的基本思想 | 第51页 |
| 5.1.2 卷积神经网络的配置方法和流程 | 第51-54页 |
| 5.2 数据库的构建 | 第54-57页 |
| 5.3 道路卡口车辆类型分类测评 | 第57-58页 |
| 5.4 基于ImageNet的CNN分类方法测评 | 第58-62页 |
| 5.5 设计大规模图像分类方法APP | 第62-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 主要工作总结 | 第65页 |
| 6.2 存在的问题及进一步研究 | 第65-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-72页 |