| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-20页 |
| ·课题的研究背景及意义 | 第11-14页 |
| ·国内外相关现状 | 第14-17页 |
| ·国外研究现状 | 第14-16页 |
| ·国内研究现状 | 第16-17页 |
| ·自动巡道检测系统框架 | 第17-18页 |
| ·本文的工作及内容安排 | 第18-20页 |
| ·本文的主要研究内容 | 第18-19页 |
| ·论文内容章节安排 | 第19-20页 |
| 第2章 图像预处理及扣件定位 | 第20-43页 |
| ·引言 | 第20页 |
| ·图像预处理介绍 | 第20-27页 |
| ·图像的增强 | 第20-22页 |
| ·图像边缘检测 | 第22-24页 |
| ·图像的二值化 | 第24-26页 |
| ·二值形态学 | 第26-27页 |
| ·扣件区域定位 | 第27-35页 |
| ·已有的扣件定位研究工作 | 第27-28页 |
| ·十字交叉扣件区域定位算法 | 第28-35页 |
| ·扣件的精确定位 | 第35-41页 |
| ·扣件特征增强 | 第35-37页 |
| ·扣件模板匹配 | 第37-41页 |
| ·本章小结 | 第41-43页 |
| 第3章 扣件状态识别 | 第43-59页 |
| ·引言 | 第43页 |
| ·HAAR-LIKE矩形特征 | 第43-48页 |
| ·Haar-like矩形特征的概述 | 第43-44页 |
| ·本文采用的haar-like矩形特征 | 第44-45页 |
| ·haar-like矩形特征的表示 | 第45-47页 |
| ·利用积分图快速计算矩形特征 | 第47-48页 |
| ·扣件状态分类器设计 | 第48-50页 |
| ·Adboost算法 | 第48-50页 |
| ·基于ADABOOST算法的强分类器设计 | 第50-54页 |
| ·弱分类器的形式 | 第50-51页 |
| ·弱分类器的设计步骤 | 第51-52页 |
| ·强分类器的设计 | 第52-54页 |
| ·树形分类器的设计 | 第54-58页 |
| ·决策树理论 | 第54-57页 |
| ·扣件状态树形分类器的设计 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第4章 实验及结果分析 | 第59-67页 |
| ·引言 | 第59页 |
| ·实验平台 | 第59页 |
| ·样本库 | 第59-62页 |
| ·训练样本库 | 第59-61页 |
| ·测试图像库 | 第61-62页 |
| ·训练分类器 | 第62-64页 |
| ·基于模板匹配系数的弱分类器训练 | 第62页 |
| ·单个矩形特征值的弱分类器训练 | 第62-63页 |
| ·基于Haar矩形特征的Adboost强分类器训练 | 第63-64页 |
| ·实验结果分析 | 第64页 |
| ·更多实验结果实例 | 第64-66页 |
| ·小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| ·本文总结 | 第67页 |
| ·研究展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第74页 |