| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第7-12页 |
| 1.1 课题研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 基于图像分割的识别方法 | 第8-9页 |
| 1.2.2 基于特征提取的识别方法 | 第9-10页 |
| 1.2.3 基于神经网络的识别方法 | 第10-11页 |
| 1.3 本文的主要内容与组织安排 | 第11-12页 |
| 2 文字识别理论基础 | 第12-22页 |
| 2.1 文字识别理论概述 | 第12-13页 |
| 2.2 图像特征提取 | 第13-15页 |
| 2.2.1 HOG特征提取算法 | 第13-14页 |
| 2.2.2 Gabor特征提取算法 | 第14-15页 |
| 2.3 支持向量机理论基础 | 第15-19页 |
| 2.3.1 线性支持向量机 | 第16-17页 |
| 2.3.2 非线性支持向量机 | 第17页 |
| 2.3.3 支持向量机多类分类 | 第17-19页 |
| 2.4 特征选择概述 | 第19-21页 |
| 2.4.1 特征选择 | 第19-21页 |
| 2.4.2 特征抽取 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 基于积分通道特征的自然场景文字识别 | 第22-39页 |
| 3.1 问题分析 | 第22页 |
| 3.2 积分通道特征理论 | 第22-23页 |
| 3.3 识别方法描述 | 第23-28页 |
| 3.3.1 整体框架 | 第23-24页 |
| 3.3.2 图像预处理 | 第24-25页 |
| 3.3.3 特征提取 | 第25-27页 |
| 3.3.4 显著特征选择 | 第27-28页 |
| 3.4 实验结果与分析 | 第28-38页 |
| 3.4.1 数据集 | 第28-32页 |
| 3.4.2 参数选择对比实验 | 第32-33页 |
| 3.4.3 特征提取方法对比实验 | 第33-36页 |
| 3.4.4 不同识别方法对比实验 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 基于ReliefF和MSVM-RFE的多类特征选择算法 | 第39-51页 |
| 4.1 问题分析 | 第39-40页 |
| 4.2 特征选择相关算法 | 第40-43页 |
| 4.2.1 ReliefF算法 | 第40-41页 |
| 4.2.2 SVM-RFE算法 | 第41-43页 |
| 4.3 基于SVM-RFE的多类特征选择算法（MSVM-RFE） | 第43-44页 |
| 4.4 ReliefF-MSVM-RFE算法 | 第44-47页 |
| 4.4.1 总体思路 | 第44-45页 |
| 4.4.2 算法框架 | 第45-46页 |
| 4.4.3 算法描述 | 第46-47页 |
| 4.5 实验结果与分析 | 第47-50页 |
| 4.5.1 数据集 | 第47页 |
| 4.5.2 实验设置 | 第47-48页 |
| 4.5.3 结果与分析 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-59页 |