基于智能图像处理的车标识别研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-20页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究方法 | 第12-17页 |
| 1.2.1 车标定位研究方法 | 第12-14页 |
| 1.2.2 车标识别研究方法 | 第14-17页 |
| 1.3 研究现状总结 | 第17-18页 |
| 1.4 本文主要工作及思路 | 第18-20页 |
| 2 结合改进蚁群算法的视觉注意机制车标定位 | 第20-33页 |
| 2.1 视觉注意机制理论背景 | 第20-22页 |
| 2.2 显著图和区域复杂度计算 | 第22-26页 |
| 2.2.1 初级特征提取 | 第22-24页 |
| 2.2.2 多尺度频谱残差 | 第24-25页 |
| 2.2.3 区域复杂度 | 第25-26页 |
| 2.3 焦点转移路径优化 | 第26-31页 |
| 2.3.1 蚁群算法基本原理 | 第27-28页 |
| 2.3.2 改进型蚁群算法 | 第28-30页 |
| 2.3.3 IACO参数设置 | 第30-31页 |
| 2.4 车标定位 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 基于复合卷积神经网络模型的车标识别 | 第33-44页 |
| 3.1 分类器的选取 | 第33-34页 |
| 3.2 复合卷积神经网络模型 | 第34-38页 |
| 3.2.1 传统CNN的基本思想 | 第34-35页 |
| 3.2.2 双网拓扑结构 | 第35-36页 |
| 3.2.3 自适应选取CNN | 第36-38页 |
| 3.3 车标识别系统 | 第38-43页 |
| 3.3.1 复合CNN网络训练及参数选取 | 第38-40页 |
| 3.3.2 权值更新 | 第40-41页 |
| 3.3.3 车标识别 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 实验与分析 | 第44-52页 |
| 4.1 车标定位实验分析 | 第44-48页 |
| 4.1.1 显著度计算结果分析 | 第44-45页 |
| 4.1.2 焦点转移路径分析 | 第45-47页 |
| 4.1.3 车标定位对比分析 | 第47-48页 |
| 4.2 车标识别实验分析 | 第48-51页 |
| 4.2.1 车标识别结果分析 | 第49-50页 |
| 4.2.2 网络抗噪性能分析 | 第50-51页 |
| 4.3 本章小结 | 第51-52页 |
| 5 结论与展望 | 第52-54页 |
| 5.1 论文工作总结 | 第52-53页 |
| 5.2 进一步工作展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第57-59页 |
| 学位论文数据集 | 第59页 |
