论文目录 | |
| 摘要 | 第1-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究目的及意义 | 第9-10页 |
| 1.2 图像处理中目标识别分类及边缘检测概述 | 第10-11页 |
| 1.2.1 图像处理中目标识别分类概述 | 第10页 |
| 1.2.2 图像处理中边缘检测概述 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.3.1 扣件异常检测国内外研究现状 | 第11-12页 |
| 1.3.2 接触网检测技术国内外研究现状 | 第12页 |
| 1.4 本文的研究内容及章节结构 | 第12-14页 |
| 第二章 基于HOG和SVM的目标检测识别算法研究及其在异常扣件检测中的应用 | 第14-27页 |
| 2.1 基于HOG特征与SVM分类器的目标异常检测算法 | 第14-17页 |
| 2.1.1 HOG特征 | 第14-16页 |
| 2.1.2 SVM支持向量机原理 | 第16-17页 |
| 2.2 HOG和SVM在高铁图像中扣件异常检测中的实验 | 第17-20页 |
| 2.2.1 扣件定位与类型识别检测 | 第17-18页 |
| 2.2.2 高铁异常扣件检测实验及结果分析 | 第18-20页 |
| 2.3 基于PCA降维的HOG特征和SVM分类在高铁图像扣件中的实验 | 第20-22页 |
| 2.3.1 PCA概述 | 第20页 |
| 2.3.2 使用HOG+PCA+SVM进行扣件异常检测的步骤流程 | 第20-21页 |
| 2.3.3 基于PCA降维的HOG特征提取的扣件异常检测实验 | 第21-22页 |
| 2.4 基于GPU-CPU并行加速的HOG特征提取算法改进 | 第22-26页 |
| 2.4.1 GPU及其工作机制 | 第22-24页 |
| 2.4.2 HOG特征提取算法的并行化设计 | 第24-26页 |
| 2.4.3 基于CPU-GPU异构并行加速的HOG算法在铁路扣件异常检测中的应用 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于概率主题模型的目标检测及其在扣件检测中的应用 | 第27-32页 |
| 3.1 概率主题模型原理 | 第27-29页 |
| 3.2 归一化的类HAAR特征 | 第29-30页 |
| 3.3 概率主题模型在高铁扣件异常检测中的应用 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基本边缘检测算法研究及边缘检测算法在高铁接触网识别中的应用 | 第32-55页 |
| 4.1 研究边缘检测算法的原因及意义 | 第32-34页 |
| 4.2 常用的边缘检测算子 | 第34-37页 |
| 4.2.1 基于一阶微分的边缘检测算子 | 第35-36页 |
| 4.2.2 基于二阶微分的边缘检测算子 | 第36-37页 |
| 4.3 传统Canny边缘检测算法研究 | 第37-39页 |
| 4.3.1 Canny边缘检测算法概述 | 第37-38页 |
| 4.3.2 Canny边缘检测步骤 | 第38-39页 |
| 4.4 几种边缘检测算法的检测结果及各检测算法的优缺点比较 | 第39-44页 |
| 4.4.1 使用Lena图像对常用的各种边缘检测算法进行检测 | 第39-43页 |
| 4.4.2 常用的各边缘检测算子的优缺点比较 | 第43-44页 |
| 4.5 一种基于Canny算法改进的实时图像边缘检测算法及其在接触网检测中的应用 | 第41-54页 |
| 4.5.1 传统Canny边缘检测算法在高铁接触网中的离线实验 | 第44-45页 |
| 4.5.2 研究基于Canny算法的改进图像实时边缘检测算法的原因及其优势 | 第45-46页 |
| 4.5.3 基于最大类间方差法(Otsu)的自适应阈值的设置思想 | 第46-47页 |
| 4.5.4 基于Canny算法改进的实时图像边缘检测算法的实现 | 第47-49页 |
| 4.5.5 实时图像检测算法在高铁接触网上的应用及离线在线对比 | 第49-54页 |
| 4.6 本章小结 | 第51-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 附录1 攻读硕士学位期间申请的专利 | 第60-61页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第61-62页 |
| 致谢 | 第62页 |
