基于SIFT的火车车底螺栓图像识别技术研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题的研究背景和意义 | 第11-12页 |
| 1.2 螺栓识别方法国内外研究调研 | 第12-14页 |
| 1.2.1 火车运行故障动态检测系统 | 第12-13页 |
| 1.2.2 螺栓图像识别技术调研 | 第13-14页 |
| 1.3 SIFT算法国内外研究现状 | 第14-16页 |
| 1.3.1 SIFT算法的现状分析 | 第14-15页 |
| 1.3.2 应用于图像识别技术的现状分析 | 第15-16页 |
| 1.4 课题主要工作内容和结构 | 第16-19页 |
| 1.4.1 研究内容 | 第16-17页 |
| 1.4.2 结构安排 | 第17-19页 |
| 第2章 火车车底螺栓图像采集 | 第19-26页 |
| 2.1 火车车底图像简述 | 第19-20页 |
| 2.2 火车车底图像采集 | 第20页 |
| 2.3 螺栓区域定位分析 | 第20-21页 |
| 2.4 螺栓分类 | 第21-23页 |
| 2.5 螺栓模板制作 | 第23-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 基于SIFT的车底异常识别方法 | 第26-55页 |
| 3.1 图像预处理 | 第26-28页 |
| 3.1.1 噪声处理 | 第26页 |
| 3.1.2 直方图处理 | 第26-28页 |
| 3.2 点特征提取算子 | 第28-30页 |
| 3.2.1 常用点特征提取算子 | 第28-29页 |
| 3.2.2 SIFT算子 | 第29-30页 |
| 3.2.3 性能比较 | 第30页 |
| 3.3 SIFT及其改进算法对比分析 | 第30-50页 |
| 3.3.1 SIFT算法存在的问题 | 第30-31页 |
| 3.3.2 SIFT改进算法简介 | 第31-32页 |
| 3.3.3 实验结果及性能分析 | 第32-50页 |
| 3.4 车底异常识别方法 | 第50-54页 |
| 3.4.1 SIFT提取初步特征 | 第50-51页 |
| 3.4.2 筛选精确匹配点 | 第51页 |
| 3.4.3 旋转和缩放矫正 | 第51-53页 |
| 3.4.4 故障标记和显示 | 第53-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第4章 基于改进SIFT+SVM的螺栓识别方法 | 第55-68页 |
| 4.1 SIFT算法改进 | 第55-58页 |
| 4.1.1 去除重复匹配点 | 第55-57页 |
| 4.1.2 去除错误匹配点 | 第57-58页 |
| 4.2 机器学习原理 | 第58-59页 |
| 4.3 支持向量机原理 | 第59-63页 |
| 4.3.1 线性SVM理论 | 第60-62页 |
| 4.3.2 广义最优分类面简述 | 第62-63页 |
| 4.4 螺栓识别方法 | 第63-67页 |
| 4.4.1 提取螺栓SIFT特征 | 第63-65页 |
| 4.4.2 训练获得SVM分类器 | 第65-66页 |
| 4.4.3 螺栓分类识别 | 第66-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第5章 螺栓识别系统和算法性能分析 | 第68-79页 |
| 5.1 螺栓识别系统设计 | 第68-71页 |
| 5.2 算法性能分析 | 第71-78页 |
| 5.2.1 算法适用性评价标准 | 第71页 |
| 5.2.2 车底异常识别算法性能分析 | 第71-74页 |
| 5.2.3 螺栓识别算法性能分析 | 第74-78页 |
| 5.3 本章小结 | 第78-79页 |
| 总结与展望 | 第79-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第86页 |
