| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究状况 | 第15-17页 |
| 1.2.1 整体系统 | 第15-16页 |
| 1.2.2 图像的分类与标注 | 第16-17页 |
| 1.2.3 图像识别与特征提取 | 第17页 |
| 1.3 目标跟踪 | 第17-18页 |
| 1.4 本文的主要工作 | 第18-20页 |
| 第二章 图像识别理论与技术基础 | 第20-28页 |
| 2.1 图像预处理 | 第20-22页 |
| 2.1.1 维纳滤波 | 第21页 |
| 2.1.2 图像直方图均衡化 | 第21页 |
| 2.1.3 图像灰度化 | 第21-22页 |
| 2.2 特征提取 | 第22-24页 |
| 2.2.1 形状特征 | 第23页 |
| 2.2.2 颜色特征 | 第23-24页 |
| 2.2.3 纹理特征 | 第24页 |
| 2.2.4 空间关系特征 | 第24页 |
| 2.3 图像识别 | 第24-27页 |
| 2.3.1 统计模式识别 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于Adaboost算法的避雷器识别 | 第28-55页 |
| 3.1 强学习和弱学习 | 第28-29页 |
| 3.1.1 强学习 | 第28-29页 |
| 3.1.2 弱学习 | 第29页 |
| 3.2 弱学习转为强学习 | 第29-30页 |
| 3.2.1 如何获得不同的弱分类器 | 第30页 |
| 3.2.2 如何组合弱分类器 | 第30页 |
| 3.3 Adaboost算法训练过程分析 | 第30-31页 |
| 3.4 Adaboost算法学习原理 | 第31-35页 |
| 3.4.1 分类器权重α和权重ω | 第32-33页 |
| 3.4.2 Adaboost算法推导过程 | 第33-35页 |
| 3.5 基于Adaboost的避雷器识别设计 | 第35-37页 |
| 3.5.1 图像去噪 | 第35-36页 |
| 3.5.2 MATLAB原始图像的维纳滤波 | 第36-37页 |
| 3.6 图像直方图均衡化 | 第37-39页 |
| 3.6.1 RGB模型和YCbCr模型及其转化 | 第37-38页 |
| 3.6.2 彩色直方图均衡化 | 第38-39页 |
| 3.7 Adaboost分类器的训练 | 第39-48页 |
| 3.7.1 创建样本 | 第40-42页 |
| 3.7.2 特征提取 | 第42-48页 |
| 3.8 分类器的训练 | 第48-49页 |
| 3.9 避雷器识别实验与分析 | 第49-54页 |
| 3.9.1 基于单一特征的Adaboost识别 | 第50页 |
| 3.9.2 基于多种特征的Adaboost识别 | 第50-52页 |
| 3.9.3 实验分析与对比 | 第52-54页 |
| 3.10 本章小结 | 第54-55页 |
| 第四章 基于增强感知哈希的目标跟踪 | 第55-65页 |
| 4.1 感知哈希算法 | 第55-59页 |
| 4.1.1 感知哈希的定义 | 第55-57页 |
| 4.1.2 图像哈希序列的提取 | 第57-58页 |
| 4.1.3 增强感知哈希算法 | 第58-59页 |
| 4.1.4 感知哈希算法流程 | 第59页 |
| 4.2 避雷器的视频跟踪 | 第59-61页 |
| 4.3 避雷器基于增强感知哈希的Adaboost的跟踪 | 第61-64页 |
| 4.3.1 感知哈希结合Adaboos分类器的跟踪系统实验 | 第61-63页 |
| 4.3.2 基于感知哈希的跟踪实验 | 第63页 |
| 4.3.3 实验结果对比与分析 | 第63-64页 |
| 4.4 本章结论 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73页 |