| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 场景识别概述 | 第11-16页 |
| 1.2.1 场景识别技术简介 | 第11-12页 |
| 1.2.2 场景识别技术的国内外研究现状 | 第12-15页 |
| 1.2.3 室内场景识别的技术难点 | 第15-16页 |
| 1.3 本文的主要研究内容和结构安排 | 第16-20页 |
| 1.3.1 主要研究内容及技术路线 | 第16-17页 |
| 1.3.2 本文的结构安排 | 第17-20页 |
| 第2章 多种图像特征的提取 | 第20-34页 |
| 2.1 颜色特征提取 | 第20-23页 |
| 2.1.1 RGB和HSV颜色空间 | 第20-21页 |
| 2.1.2 H/I颜色模型 | 第21-22页 |
| 2.1.3 基于H/I颜色模型的室内家居场景提取实验 | 第22-23页 |
| 2.2 局部特征描述算法-SIFT | 第23-28页 |
| 2.2.1 尺度空间的构建 | 第23-25页 |
| 2.2.2 特征点的检测及筛选 | 第25-26页 |
| 2.2.3 特征点方向的分配 | 第26-27页 |
| 2.2.4 生成特征描述子 | 第27-28页 |
| 2.3 局部特征的分域提取 | 第28-32页 |
| 2.3.1 分域提取特征点方法的意义 | 第28页 |
| 2.3.2 场景图像背景特征提取 | 第28-29页 |
| 2.3.3 场景图像前景特征提取 | 第29-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第3章 SURF-DS-BoW模型 | 第34-52页 |
| 3.1 BoW模型简介 | 第34-37页 |
| 3.1.1 视觉词袋模型概述 | 第34-35页 |
| 3.1.2 视觉词袋构建方法 | 第35-37页 |
| 3.2 SURF-DS-BoW模型 | 第37-44页 |
| 3.2.1 前景SURF-BoW | 第38页 |
| 3.2.2 背景DS-BoW | 第38-39页 |
| 3.2.3 融合DS-SURF-BoW模型生成 | 第39-40页 |
| 3.2.4 实验结果与分析 | 第40-44页 |
| 3.3 融入相对位置信息的BoW模型改进 | 第44-49页 |
| 3.3.1 SWSA-BoW模型的整体框架 | 第44-45页 |
| 3.3.2 近义词表的生成 | 第45-47页 |
| 3.3.3 软分配直方图的构建 | 第47-48页 |
| 3.3.4 实验结果与分析 | 第48-49页 |
| 3.4 本章小结 | 第49-52页 |
| 第4章 基于多特征融合的场景识别 | 第52-62页 |
| 4.1 支持向量机(SVM) | 第52-55页 |
| 4.1.1 线性样本分类问题 | 第52-54页 |
| 4.1.2 非线性样本分类问题 | 第54-55页 |
| 4.2 最优核函数的选择 | 第55-58页 |
| 4.2.1 单核分类器的设计 | 第55-56页 |
| 4.2.2 全局特征最佳核函数的确定及参数选择 | 第56-57页 |
| 4.2.3 局部特征最佳核函数的确定及参数选择 | 第57-58页 |
| 4.3 多核学习支持向量机 | 第58-59页 |
| 4.3.1 多核学习 | 第58页 |
| 4.3.2 多核学习支持向量机 | 第58-59页 |
| 4.4 实验结果与分析 | 第59-60页 |
| 4.4.1 MKL-SVM场景识别实验 | 第59-60页 |
| 4.4.2 多种实验方法识别率对比 | 第60页 |
| 4.5 本章小结 | 第60-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 作者简介及科研成果 | 第70-72页 |
| 致谢 | 第72页 |