| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 国内外算法简介 | 第13-14页 |
| 1.4 本文的结构安排 | 第14-16页 |
| 第2章 网络视频文本区域定位的概述 | 第16-21页 |
| 2.1 流程概述 | 第16-17页 |
| 2.2 视频获取 | 第17-18页 |
| 2.3 视频帧选取 | 第18-19页 |
| 2.3.1 平均选取 | 第18页 |
| 2.3.2 随机选取 | 第18页 |
| 2.3.3 基于彩色信息选取 | 第18-19页 |
| 2.4 常用文本定位算法比较 | 第19-20页 |
| 2.5 实验数据库的建立 | 第20页 |
| 2.6 本章小结 | 第20-21页 |
| 第3章 基于边缘特征的文本区域粗定位及筛选算法 | 第21-37页 |
| 3.1 引言 | 第21页 |
| 3.2 相关原理 | 第21-25页 |
| 3.2.1 边缘信息对于图像处理的意义 | 第21-22页 |
| 3.2.2 Robert算子 | 第22页 |
| 3.2.3 Sobel算子 | 第22-23页 |
| 3.2.4 Prewitt算子 | 第23页 |
| 3.2.5 拉普拉斯算子 | 第23-25页 |
| 3.3 文本区域文字边缘性研究 | 第25-27页 |
| 3.3.1 基于K-means聚类的自适应边缘提取 | 第25页 |
| 3.3.2 文字边缘性的特性 | 第25-26页 |
| 3.3.3 形态学腐蚀和膨胀 | 第26-27页 |
| 3.4 文字笔画识别 | 第27-32页 |
| 3.4.1 笔划的双边缘特点 | 第27页 |
| 3.4.2 寻找有效边缘点对收集方法 | 第27-28页 |
| 3.4.3 生成文字笔画最小生成树聚类 | 第28-29页 |
| 3.4.4 生成文本区域粗定位结果 | 第29-32页 |
| 3.5 实验结果与分析 | 第32-35页 |
| 3.5.1 实验数据库的建立 | 第32页 |
| 3.5.2 实验结果的评价标准 | 第32-33页 |
| 3.5.3 本章实验设置 | 第33-34页 |
| 3.5.4 本章实验分析 | 第34-35页 |
| 3.6 本章小结 | 第35-37页 |
| 第4章 基于彩色信息与角点的文本区域定位算法 | 第37-48页 |
| 4.1 引言 | 第37页 |
| 4.2 算法原理简介 | 第37-38页 |
| 4.3 HARRIS角点算法 | 第38-40页 |
| 4.4 基于彩色信息的HARRIS角点的文字区域定位算法 | 第40-42页 |
| 4.4.1 算法基本思想与流程 | 第40页 |
| 4.4.2 含有彩色信息的Harris角点的检测 | 第40-41页 |
| 4.4.3 通过基准颜色筛选文本区域 | 第41-42页 |
| 4.5 实验结果及分析 | 第42-47页 |
| 4.5.1 本章算法实验 | 第42-43页 |
| 4.5.2 本文算法与现有算法的对比分析 | 第43-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-49页 |
| 5.1 工作总结 | 第48页 |
| 5.2 研究展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 作者简介 | 第52-53页 |
| 致谢 | 第53页 |