| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 图像处理在异常检测中的研究和发展现状 | 第11-12页 |
| 1.3 铁轨扣件异常检测的研究现状 | 第12-14页 |
| 1.3.1 国外的发展现状 | 第12-13页 |
| 1.3.2 国内的研究现状 | 第13-14页 |
| 1.4 论文主要工作及章节安排 | 第14-16页 |
| 第2章 图像处理相关技术及论文总体思路 | 第16-24页 |
| 2.1 图像处理相关技术 | 第16-20页 |
| 2.1.1 数字图像直方图 | 第16-18页 |
| 2.1.2 图像的滤波算法 | 第18-19页 |
| 2.1.3 图像的分割算法 | 第19-20页 |
| 2.2 图像的采集 | 第20-21页 |
| 2.3 论文的总体思路 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 基于HOG特征识别算法的设计 | 第24-47页 |
| 3.1 图像的灰度变化增强 | 第24-26页 |
| 3.2 扣件图像滤波算法的研究与选取 | 第26-32页 |
| 3.2.1 自适应中值滤波算法分析与设计 | 第27-29页 |
| 3.2.2 改进的自适应中值滤波算法分析 | 第29-30页 |
| 3.2.3 滤波器滤波效果实验和结果分析 | 第30-32页 |
| 3.3 扣件图像分割的算法设计 | 第32-36页 |
| 3.3.1 扣件的边缘检测 | 第32-35页 |
| 3.3.2 基于区域图像的分割 | 第35-36页 |
| 3.4 梯度直方图特征提取 | 第36-41页 |
| 3.4.1 梯度方向直方图特征概述 | 第37-38页 |
| 3.4.2 梯度方向直方图的特征提取 | 第38-41页 |
| 3.5 基于SVM分类器的实验研究 | 第41-46页 |
| 3.5.1 支持向量机的原理 | 第41-44页 |
| 3.5.2 HOG+SVM分类器的训练 | 第44-45页 |
| 3.5.3 实验结果及分析 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 基于扣件图像特征融合的算法研究 | 第47-59页 |
| 4.1 主成分分析 | 第47-50页 |
| 4.1.1 PCA降维方式的研究 | 第47-49页 |
| 4.1.2 PCA-HOG特征提取 | 第49页 |
| 4.1.3 基于PCA-HOG特征提取的实验结果 | 第49-50页 |
| 4.2 局部二值模式的特征 | 第50-55页 |
| 4.2.1 LBP特征的描述 | 第50-53页 |
| 4.2.2 铁轨扣件图像的LBP特征提取 | 第53-55页 |
| 4.2.3 基于LBP特征的识别结果分析 | 第55页 |
| 4.3 基于PCA-HOG与LBP特征融合技术研究 | 第55-56页 |
| 4.4 基于特征融合的实验结果分析 | 第56-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第5章 检测系统的实现与结果分析 | 第59-67页 |
| 5.1 铁轨扣件异常检测系统的搭建 | 第59-62页 |
| 5.1.1 硬件系统的搭建 | 第59-60页 |
| 5.1.2 基于OpenCV的检测模块 | 第60-62页 |
| 5.2 实验结果分析 | 第62-66页 |
| 5.2.1 实验的整体设计 | 第62-63页 |
| 5.2.2 实验的结果及分析 | 第63-66页 |
| 5.3 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第74-76页 |
| 致谢 | 第76页 |