智能视觉物联网中视觉特性的提取及视觉标签的建立
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引言 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文的主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第二章 基于PCA和SVM的人脸识别技术 | 第16-26页 |
| 2.1 引言 | 第16-17页 |
| 2.2 主成分分析PCA | 第17-19页 |
| 2.2.1 传统PCA算法 | 第17-18页 |
| 2.2.2 快速PCA算法 | 第18-19页 |
| 2.3 SVM分类器 | 第19-23页 |
| 2.3.1 支持向量机(SVM)的基本原理 | 第19-22页 |
| 2.3.2 基于支持向量机(SVM)的多分法 | 第22-23页 |
| 2.4 基于PCA和SVM的人脸识别系统 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于颜色的车牌识别技术 | 第26-42页 |
| 3.1 引言 | 第26页 |
| 3.2 常见的车牌定位算法 | 第26-29页 |
| 3.3 常见的车牌校正算法 | 第29-31页 |
| 3.3.1 基于主成分分析的倾斜校正算法 | 第29页 |
| 3.3.2 基于Hough变换的倾斜校正算法 | 第29-30页 |
| 3.3.3 基于旋转投影的倾斜校正算法 | 第30页 |
| 3.3.4 其他倾斜校正算法 | 第30-31页 |
| 3.4 常见的字符分割算法 | 第31页 |
| 3.5 常见字符识别算法 | 第31-34页 |
| 3.5.1 基于模板匹配的方法 | 第32页 |
| 3.5.2 基于人工神经网络的方法 | 第32-33页 |
| 3.5.3 基于字符特征的方法 | 第33-34页 |
| 3.5.4 基于贝叶斯网络的方法 | 第34页 |
| 3.6 基于颜色信息的车牌识别方法 | 第34-41页 |
| 3.6.1 颜色信息提取及车牌区域定位 | 第35-39页 |
| 3.6.2 字符的定位和分割 | 第39-41页 |
| 3.6.3 实验结果展示 | 第41页 |
| 3.7 本章小结 | 第41-42页 |
| 第四章 基于卷积神经网络的物体识别技术 | 第42-55页 |
| 4.1 引言 | 第42页 |
| 4.2 卷积神经网络(CNN) | 第42-48页 |
| 4.2.1 概述 | 第42页 |
| 4.2.2 卷积神经网络结构 | 第42-45页 |
| 4.2.3 卷积神经网络训练 | 第45-48页 |
| 4.3 物体识别主要流程 | 第48-49页 |
| 4.3.1 数据预处理 | 第48页 |
| 4.3.2 特征提取 | 第48-49页 |
| 4.3.3 分类器 | 第49页 |
| 4.4 基于卷积神经网络的物体识别 | 第49-54页 |
| 4.4.1 卷积层 | 第50页 |
| 4.4.2 池化层 | 第50页 |
| 4.4.3 输出层 | 第50-51页 |
| 4.4.4 Softmax层 | 第51-52页 |
| 4.4.5 实验结果展示 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于人、车、物的视觉标签系统 | 第55-65页 |
| 5.1 引言 | 第55页 |
| 5.2 视觉标签技术概述 | 第55-57页 |
| 5.3 基于人、车、物的视觉标签系统设计与实现 | 第57-60页 |
| 5.3.1 系统整体框架设计 | 第57-58页 |
| 5.3.2 系统界面设计 | 第58-59页 |
| 5.3.3 本文视觉标签的建立机制 | 第59-60页 |
| 5.4 实验结果展示 | 第60-64页 |
| 5.4.1 人物识别模块实验结果 | 第61-62页 |
| 5.4.2 车辆识别模块实验结果 | 第62-63页 |
| 5.4.3 物体识别模块实验结果 | 第63-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士期间的学术成果 | 第71页 |
