复杂背景下条形码检测
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·选题的背景与意义 | 第7-8页 |
| ·国内外研究现状 | 第8-9页 |
| ·研究内容 | 第9-11页 |
| ·研究难点 | 第9-10页 |
| ·本文工作 | 第10-11页 |
| ·论文的组织结构 | 第11-13页 |
| 第二章 条形码检测技术 | 第13-23页 |
| ·条形码介绍 | 第13-16页 |
| ·一维条码 | 第14页 |
| ·二维条码 | 第14-16页 |
| ·条码检测 | 第16-17页 |
| ·硬件检测方法 | 第17-18页 |
| ·硬件检测方法的原理 | 第17-18页 |
| ·硬件检测方法的特点 | 第18页 |
| ·软件检测方法 | 第18-20页 |
| ·软件检测方法的特点 | 第18-19页 |
| ·现有的软件检测方法 | 第19-20页 |
| ·机器学习的条码检测方法 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 图像特征的提取 | 第23-33页 |
| ·图像特征提取介绍 | 第23-24页 |
| ·图像纹理特征 | 第24-25页 |
| ·纹理特征综述 | 第24页 |
| ·纹理特征研究现状与发展 | 第24-25页 |
| ·局部二值模式特征 | 第25-28页 |
| ·Gabor滤波提取特征 | 第28-32页 |
| ·Gabor函数的提出 | 第28-29页 |
| ·Gabor函数表达式 | 第29-31页 |
| ·Gabor滤波器的性质 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 Adaboost算法及其改进 | 第33-43页 |
| ·两个代表性集成学习方法 | 第33-34页 |
| ·Adaboost算法 | 第34-37页 |
| ·Adaboost算法原理 | 第34-35页 |
| ·Adaboost算法流程 | 第35-37页 |
| ·Adaboost算法误差分析 | 第37页 |
| ·AdaboosT算法的分析 | 第37-39页 |
| ·Adaboost弱分类器 | 第37-38页 |
| ·Adaboost算法优缺点 | 第38-39页 |
| ·Adaboost算法改进 | 第39-41页 |
| ·本章小结 | 第41-43页 |
| 第五章 基于Adaboost算法的条形码检测 | 第43-59页 |
| ·算法流程 | 第43-44页 |
| ·样本选择 | 第44-45页 |
| ·特征提取 | 第45-48页 |
| ·LBP特征 | 第46页 |
| ·Gabor滤波提取特征 | 第46-48页 |
| ·特征分类 | 第48-52页 |
| ·弱分类器的建立 | 第48-50页 |
| ·强分类器的建立 | 第50-51页 |
| ·分类结果测试 | 第51-52页 |
| ·条形码检测 | 第52-58页 |
| ·条形码检测流程 | 第52-54页 |
| ·条码检测后处理 | 第54-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-66页 |
