Hog特征复杂环境下交通图像中缺损标示的检测和修复(2)
时间:2022-01-23 10:44 来源:毕业论文 作者:毕业论文 点击:次
| 7
2。2。2 强分类器的训练 8 2。2。3 级联检测器的训练 10 3 识别方法 12 3。1 SVM 12 3。1。1 SVM 模型 12 3。1。2 SVM 模型求解 13 3。2 ECOC 框架 14 3。2。1 纠错码 14 3。2。2 ECOC 框架 16 4 实验与结果分析 18 4。1 实验设置 18 4。2 检测阶段实验 19 4。3 识别阶段实验 22 4。3。1 自编码神经网络(Autoencoder) 22 4。3。2 Autoencoder 结合 ECOC 框架 22 4。3。3 OVASVM 识别系统 23 4。3。4 SVM 结合 ECOC 框架 23 第 II 页 本科毕业设计 4。3。5 效果比较 24 4。4 系统评价 24 结 论 28 致 谢 29 参 考 文 献 30 图 2。1 方向梯度直方图生成示意图 5 图 2。2 单元(cell)和块(block)示意图 6 图 2。3 弱分类器模型一、模型二示意图 7 图 2。4 级联检测器示意图 10 图 3。1 SVM 示意图 12 图 3。2 信息传播模型 14 图 3。3 具有纠错能力的信息传播模型 14 图 4。1 识别阶段部分训练图像和测试图像 18 图 4。2 检测效果示例一 20 图 4。3 检测效果示例二 20 图 4。4 检测效果示例三 21 图 4。5 检测效果示例四 21 图 4。6 Autoencoder 结构示意图 22 图 4。7 系统效果示例一 25 图 4。8 系统效果示例二 25 图 4。9 系统效果示例三 26 图 4。10 系统效果示例四 26 图 4。11 系统效果示例五 (责任编辑：qin) |