台标的自动提取和识别
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 论文背景及研究意义 | 第9-10页 |
| 1.2 课题国内外的发展现状 | 第10-12页 |
| 1.2.1 自动提取台标 | 第10-11页 |
| 1.2.2 自动识别台标 | 第11-12页 |
| 1.3 现阶段存在的问题及未来发展趋势 | 第12-13页 |
| 1.3.1 现阶段存在的问题 | 第12页 |
| 1.3.2 未来发展趋势 | 第12-13页 |
| 1.4 研究内容和章节安排 | 第13-14页 |
| 1.4.1 研究内容 | 第13页 |
| 1.4.2 章节安排 | 第13-14页 |
| 第2章 算法总体设计 | 第14-18页 |
| 2.1 系统指标要求 | 第14页 |
| 2.2 技术选择及路线 | 第14-18页 |
| 第3章 台标检测训练算法 | 第18-33页 |
| 3.1 台标特性 | 第18-20页 |
| 3.2 基于视频帧加权的台标训练检测 | 第20-32页 |
| 3.2.1 台标区域确定 | 第20-21页 |
| 3.2.2 视频帧加权 | 第21-22页 |
| 3.2.3 轮廓提取 | 第22-27页 |
| 3.2.4 形态学处理 | 第27-29页 |
| 3.2.5 去除不符合比例条件的连通域 | 第29-31页 |
| 3.2.6 提取台标图像模板 | 第31-32页 |
| 3.3 实验分析 | 第32-33页 |
| 第4章 基于SURF特征的台标识别算法 | 第33-55页 |
| 4.1 基于特征提取的台标识别算法 | 第33页 |
| 4.2 基于颜色空间的粗匹配阶段 | 第33-41页 |
| 4.3 特征匹配 | 第41-52页 |
| 4.4 台标识别特征点匹配判定 | 第52-53页 |
| 4.5 识别实验结果与分析 | 第53-55页 |
| 第5章 基于机器学习的台标识别算法 | 第55-66页 |
| 5.1 SVM工作原理 | 第55-58页 |
| 5.2 建立台标样本库 | 第58-59页 |
| 5.3 基于HOG特征的SVM训练 | 第59-60页 |
| 5.4 基于SVM分类的判定和实验结果 | 第60-61页 |
| 5.5 基于台标旋转的SVM训练 | 第61-62页 |
| 5.6 基于BP神经网络的台标训练与识别 | 第62-66页 |
| 第6章 总结和展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 课题关键技术和创新点 | 第67页 |
| 6.3 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
