基于学习的目标检测方法研究与应用
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 课题研究的背景及意义 | 第9页 |
| 1.2 目标检测的国内外研究现状 | 第9-11页 |
| 1.3 课题的主要研究内容 | 第11-12页 |
| 1.4 论文的结构安排 | 第12-13页 |
| 2 目标检测的相关技术 | 第13-33页 |
| 2.1 目标检测算法原理 | 第13-16页 |
| 2.1.1 基于背景建模的检测算法 | 第13-14页 |
| 2.1.2 基于目标建模的检测算法 | 第14-16页 |
| 2.2 目标检测中的典型特征 | 第16-23页 |
| 2.2.1 颜色特征 | 第16页 |
| 2.2.2 纹理特征 | 第16-17页 |
| 2.2.3 形状特征 | 第17-23页 |
| 2.3 目标检测中的典型分类器 | 第23-25页 |
| 2.3.1 SVM算法 | 第23-24页 |
| 2.3.2 ADABOOST算法 | 第24-25页 |
| 2.4 深度学习 | 第25-33页 |
| 2.4.1 深度学习理论概述 | 第25-26页 |
| 2.4.2 基于深度学习的目标检测算法 | 第26-33页 |
| 3 直升机电力巡检系统中的塔台检测 | 第33-55页 |
| 3.1 引言 | 第33-35页 |
| 3.2 直升机电力巡检系统中的塔台检测总框架 | 第35-36页 |
| 3.3 样本采集和处理 | 第36页 |
| 3.4 基于级联ADABOOST的塔台检测 | 第36-42页 |
| 3.4.1 级联塔台分类器的训练 | 第37-39页 |
| 3.4.2 基于级联ADABOOST的塔台粗检测 | 第39-42页 |
| 3.5 基于CAFFE深度学习框架的塔台检测 | 第42-50页 |
| 3.5.1 CAFFE架构及环境配置 | 第42-43页 |
| 3.5.2 基于CAFFE架构的塔台细检测 | 第43-50页 |
| 3.6 实验结果与分析 | 第50-54页 |
| 3.6.1 实验环境 | 第50页 |
| 3.6.2 评测指标 | 第50页 |
| 3.6.3 结果与分析 | 第50-54页 |
| 3.7 本章小结 | 第54-55页 |
| 4 自然场景中的文字标牌检测 | 第55-87页 |
| 4.1 引言 | 第55-57页 |
| 4.2 自然场景中的文字标牌检测总框架 | 第57-58页 |
| 4.3 文字标牌的特征描述 | 第58-66页 |
| 4.3.1 BRISK特征 | 第58-63页 |
| 4.3.2 不变性颜色特征 | 第63-66页 |
| 4.4 基于BOVW模型的文字标牌检测 | 第66-78页 |
| 4.4.1 基于BOVW模型的字典训练 | 第67-70页 |
| 4.4.2 基于BOVW模型的文字标牌分类器训练 | 第70-73页 |
| 4.4.3 基于BOVW模型的文字标牌检测 | 第73-78页 |
| 4.5 实验结果与分析 | 第78-85页 |
| 4.5.1 实验环境 | 第78-79页 |
| 4.5.2 评测指标 | 第79页 |
| 4.5.3 结果与分析 | 第79-85页 |
| 4.6 本章小结 | 第85-87页 |
| 5 总结与展望 | 第87-89页 |
| 5.1 工作总结 | 第87-88页 |
| 5.2 研究展望 | 第88-89页 |
| 致谢 | 第89-91页 |
| 参考文献 | 第91-96页 |
