基于多特征融合的轨道螺栓扣件图像识别技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 引言 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 扣件图像检测研究现状 | 第9-13页 |
| 1.2.1 检测设备现状 | 第9-11页 |
| 1.2.2 检测算法现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 论文结构 | 第13-16页 |
| 2 铁路扣件图像检测的理论概述 | 第16-32页 |
| 2.1 图像预处理 | 第16-23页 |
| 2.1.1 图像增强 | 第16-20页 |
| 2.1.2 图像灰度化 | 第20-21页 |
| 2.1.3 边缘提取方法 | 第21-23页 |
| 2.2 图像特征的提取 | 第23-26页 |
| 2.2.1 金字塔梯度直方图特征 | 第23-24页 |
| 2.2.2 MB-LBP特征 | 第24-26页 |
| 2.3 分类器简介 | 第26-31页 |
| 2.3.1 Adaboost分类器 | 第27-28页 |
| 2.3.2 SVM分类器 | 第28-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 扣件的定位 | 第32-42页 |
| 3.1 图像轮廓的提取 | 第32-35页 |
| 3.1.1 预处理方法的选用 | 第32-35页 |
| 3.1.2 提取图像的轮廓信息 | 第35页 |
| 3.2 灰度投影积分法 | 第35-37页 |
| 3.3 实验结果 | 第37-41页 |
| 3.3.1 投影法放大扣件 | 第37-39页 |
| 3.3.2 基于灰度投影积分原理的改进定位算法 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 基于融合特征的扣件图像识别 | 第42-49页 |
| 4.1 图像特征提取 | 第42-45页 |
| 4.1.1 MB-LBP特征的提取 | 第42-43页 |
| 4.1.2 PHOG特征提取 | 第43-45页 |
| 4.2 特征归一化 | 第45-46页 |
| 4.3 融合特征 | 第46-47页 |
| 4.4 混合分类器工具 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 测试结果与分析 | 第49-55页 |
| 5.1 训练环境及样本 | 第49-50页 |
| 5.2 测试和分析 | 第50-54页 |
| 5.3 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读学位期间的研究成果 | 第61页 |
