场景图片的文字定位算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.2.1 基于纹理的方法 | 第9-10页 |
| 1.2.2 基于连通域的方法 | 第10页 |
| 1.2.3 基于纹理+连通域的方法 | 第10-11页 |
| 1.3 论文主要内容及创新点 | 第11-13页 |
| 第2章 场景文字定位相关技术 | 第13-24页 |
| 2.1 纹理特征提取算法 | 第13-19页 |
| 2.1.1 Haar-like特征 | 第14-15页 |
| 2.1.2 SIFT特征 | 第15-19页 |
| 2.2 AdaBoost分类器 | 第19-23页 |
| 2.2.1 AdaBoost算法简介 | 第20页 |
| 2.2.2 AdaBoost算法流程 | 第20-23页 |
| 2.2.3 AdaBoost算法误差分析 | 第23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 场景文字定位算法设计 | 第24-53页 |
| 3.1 总体设计 | 第24页 |
| 3.2 基于MSER+SWT的候选字符连通域提取 | 第24-38页 |
| 3.2.1 基于MSER的候选字符连通域提取 | 第25-32页 |
| 3.2.2 基于SWT的候选字符连通域提取 | 第32-38页 |
| 3.3 基于滑动窗口的候选字符连通域特征提取 | 第38-44页 |
| 3.3.1 方向梯度直方图特征 | 第38-41页 |
| 3.3.2 局部二值模式 | 第41-44页 |
| 3.4 基于SVM的连通域判定 | 第44-50页 |
| 3.4.1 SVM原理 | 第45页 |
| 3.4.2 线性判别函数和判别面 | 第45-46页 |
| 3.4.3 最优分类面 | 第46-48页 |
| 3.4.4 SVM非线性映射 | 第48-49页 |
| 3.4.5 SVM核函数的选择 | 第49-50页 |
| 3.5 文本行的建立 | 第50-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第4章 实验结果与分析 | 第53-61页 |
| 4.1 实验环境 | 第53页 |
| 4.2 实验数据库 | 第53-54页 |
| 4.3 实验步骤 | 第54-56页 |
| 4.3.1 文字候选连通域的获取 | 第54页 |
| 4.3.2 分类器的训练 | 第54-55页 |
| 4.3.3 字符判定与文本行构建 | 第55-56页 |
| 4.4 评价标准 | 第56-57页 |
| 4.5 算法效果 | 第57-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61页 |
| 5.2 工作展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 附录1 攻读硕士学位期间参与的项目和发表的论文 | 第67-68页 |
| 附录2 主要英文缩写语对照表 | 第68页 |
