| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·论文研究背景 | 第8-9页 |
| ·物体识别的研究现状 | 第9-12页 |
| ·物体识别国内外的研究成果 | 第9-11页 |
| ·物体识别亟待解决的问题 | 第11-12页 |
| ·物体识别的发展趋势 | 第12-13页 |
| ·论文的主要研究工作 | 第13-14页 |
| ·论文组织结构 | 第14-16页 |
| 第二章 相关理论和算法基础 | 第16-27页 |
| ·兴趣点检测原理 | 第16-17页 |
| ·图像特征提取方法 | 第17-21页 |
| ·图像形状特征提取 | 第18-19页 |
| ·图像纹理特征提取 | 第19-20页 |
| ·图像颜色特征提取 | 第20-21页 |
| ·多特征融合方法 | 第21-22页 |
| ·分类识别方法 | 第22-26页 |
| ·支持向量机分类方法 | 第23-25页 |
| ·K近邻分类方法 | 第25-26页 |
| ·小结 | 第26-27页 |
| 第三章 去除冗余角点确定感兴趣区域 | 第27-39页 |
| ·LBP与LTP算子基本原理 | 第27-31页 |
| ·LBP算子 | 第27-28页 |
| ·LTP算子 | 第28-31页 |
| ·去除冗余角点的方法 | 第31-35页 |
| ·简化的LTP算子去除冗余角点的方法 | 第31-34页 |
| ·实验测试结果及分析 | 第34-35页 |
| ·感兴趣区域的确定 | 第35-38页 |
| ·感兴趣区域的确定方法 | 第35-36页 |
| ·实验测试结果及分析 | 第36-38页 |
| ·小结 | 第38-39页 |
| 第四章 基于SVM与KNN的特征加权融合方法 | 第39-47页 |
| ·引言 | 第39页 |
| ·基于SVM的特征权重计算方法 | 第39-41页 |
| ·改进的KNN分类识别算法 | 第41-42页 |
| ·实验结果及分析 | 第42-46页 |
| ·实验图像数据库介绍 | 第42-43页 |
| ·改进前后的实验结果对比 | 第43-44页 |
| ·Caltech-101 图像库上实验结果与现有方法的比较 | 第44-46页 |
| ·小结 | 第46-47页 |
| 第五章 基于兴趣点多特征融合的物体识别系统设计与实现 | 第47-53页 |
| ·系统设计 | 第47-48页 |
| ·系统结构 | 第47页 |
| ·基本功能 | 第47-48页 |
| ·系统实现 | 第48-52页 |
| ·图像感兴趣区域确定 | 第49页 |
| ·图像特征提取 | 第49-51页 |
| ·分类识别结果 | 第51-52页 |
| ·小结 | 第52-53页 |
| 第六章 结论及未来的工作 | 第53-55页 |
| ·结论 | 第53-54页 |
| ·未来的工作 | 第54-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士学位期间从事的科研工作及发表的论文 | 第56-57页 |
| 参考文献 | 第57-61页 |