| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 一 绪论 | 第10-18页 |
| 1.1 研究的目的和意义 | 第10-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 机器学习研究现状 | 第12-13页 |
| 1.2.2 图像分类技术研究现状 | 第13-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 1.3.1 道路图像的超像素分割预处理与特征提取的研究 | 第15页 |
| 1.3.2 改进的半随机森林算法 | 第15页 |
| 1.3.3 基于改进的半随机森林算法的道路识别技术研究 | 第15-16页 |
| 1.4 KITTI数据库介绍 | 第16-17页 |
| 1.5 章节安排 | 第17-18页 |
| 二. 特征提取与组合 | 第18-24页 |
| 2.1 引言 | 第18页 |
| 2.2 图像特征选取 | 第18-21页 |
| 2.2.1 图像特征概述 | 第18页 |
| 2.2.2 图像底层特征: | 第18-20页 |
| 2.2.3 图像上层特征: | 第20-21页 |
| 2.3 图像特征结合比较分析 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 三. 超像素分割方法研究: | 第24-37页 |
| 3.1 引言 | 第24页 |
| 3.2 超像素概述 | 第24-26页 |
| 3.3 超像素分割方法: | 第26-31页 |
| 3.2.1 基于图论的超像素分割方法 | 第27-28页 |
| 3.2.2 基于梯度的超像素分割方法 | 第28-29页 |
| 3.2.3 SLIC超像素分割算法 | 第29-31页 |
| 3.4 SLIC超像素分割初始参数设定及实验结果分析 | 第31-36页 |
| 3.5 本章小结 | 第36-37页 |
| 四. 基于机器学习的道路识别研究 | 第37-63页 |
| 4.1 引言 | 第37页 |
| 4.2 经典道路识别方法介绍 | 第37-40页 |
| 4.3 基于机器学习的道路识别研究与比较 | 第40-57页 |
| 4.3.1 K-NN算法(K-最近邻域法) | 第41-44页 |
| 4.3.2 朴素贝叶斯法 | 第44-48页 |
| 4.3.3 AdaBoost算法 | 第48-51页 |
| 4.3.4 SVM支持向量机 | 第51-55页 |
| 4.3.5 二次判别分析(QDA)算法 | 第55-57页 |
| 4.4 随机森林算法的改进与优化 | 第57-62页 |
| 4.4.1 随机森林算法 | 第57-59页 |
| 4.4.2 特征值半随机选取 | 第59-60页 |
| 4.4.3 算法泛化误差与决策树性能 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 五.基于改进的半随机森林算法的道路识别研究 | 第63-73页 |
| 5.1 引言 | 第63页 |
| 5.2 基于半随机森林算法的道路识别的实现与参数设计 | 第63-66页 |
| 5.2.1 道路图像特征获取过程与决策树分类过程 | 第63-64页 |
| 5.2.2 算法参数选取的研究 | 第64-66页 |
| 5.3 改进后的半随机森林算法应用于道路识别的实验分析 | 第66-69页 |
| 5.3.1 分类器参数设置与实验准备 | 第66页 |
| 5.3.2 改进算法的实验结果分析 | 第66-69页 |
| 5.4 分类器性能综合比较与错误分析 | 第69-71页 |
| 5.4.1 分类器性能指标综合比较 | 第69-70页 |
| 5.4.2 半随机森林分类器错误分类的分析 | 第70-71页 |
| 5.5 本章小结 | 第71-73页 |
| 六 结论与展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
