| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 课题研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-13页 |
| 1.4 论文研究内容 | 第13-14页 |
| 1.5 论文结构安排 | 第14-15页 |
| 第2章 基本知识介绍 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 深度图像的基础知识 | 第15-17页 |
| 2.2.1 深度图像的定义 | 第15-16页 |
| 2.2.2 深度图像的获取及应用 | 第16-17页 |
| 2.3 遮挡相关知识 | 第17-18页 |
| 2.4 机器学习相关理论介绍 | 第18-23页 |
| 2.4.1 有监督、半监督与无监督 | 第19页 |
| 2.4.2 支持向量机 | 第19-20页 |
| 2.4.3 随机森林 | 第20-21页 |
| 2.4.4 图的半监督 | 第21-22页 |
| 2.4.5 无监督聚类算法 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第3章 基于无监督聚类实现深度图像遮挡边界检测 | 第25-35页 |
| 3.1 引言 | 第25页 |
| 3.2 方法概述 | 第25-27页 |
| 3.2.1 遮挡边界的定义 | 第25-26页 |
| 3.2.2 方法总体思想 | 第26-27页 |
| 3.3 已有特征及分析 | 第27-29页 |
| 3.3.1 平均深度差特征 | 第27-28页 |
| 3.3.2 最大深度差特征 | 第28页 |
| 3.3.3 夹角特征 | 第28页 |
| 3.3.4 曲率特征 | 第28-29页 |
| 3.4 新特征的提出与选取 | 第29-31页 |
| 3.4.1 加权最长线段特征的提出 | 第29-30页 |
| 3.4.2 特征的比较及选取 | 第30-31页 |
| 3.5 基于无监督聚类的遮挡边界检测方法 | 第31-33页 |
| 3.5.1 特征的非线性归一化 | 第31-32页 |
| 3.5.2 聚类簇的确定 | 第32页 |
| 3.5.3 相似性计算 | 第32-33页 |
| 3.5.4 遮挡边界的确定 | 第33页 |
| 3.6 基于无监督聚类的检测算法描述 | 第33页 |
| 3.7 本章小结 | 第33-35页 |
| 第4章 基于K-均值分割结合监督思想实现边界检测 | 第35-41页 |
| 4.1 引言 | 第35页 |
| 4.2 方法总体思想 | 第35-36页 |
| 4.3 训练样本的选取过程 | 第36-39页 |
| 4.3.1 有效中值变换 | 第37页 |
| 4.3.2 分割点个数的确定 | 第37-38页 |
| 4.3.3 利用K-均值分割思想的样本选取以及带标签样本的生成 | 第38-39页 |
| 4.4 遮挡边界分类器训练及检测 | 第39页 |
| 4.5 基于K-均值分割结合监督思想实现边界检测算法的描述 | 第39-40页 |
| 4.6 本章小结 | 第40-41页 |
| 第5章 实验及结果分析 | 第41-54页 |
| 5.1 实验环境及数据集 | 第41页 |
| 5.2 基于无监督聚类思想检测方法的实验及分析 | 第41-48页 |
| 5.2.1 基于最大深度差特征与本文所提特征联合最大深度差特征的实验 | 第41-43页 |
| 5.2.2 归一化方法与非线性归一化方法的实验 | 第43-46页 |
| 5.2.3 本文方法与其他方法的比较 | 第46-48页 |
| 5.3 基于K-均值分割结合监督思想的边界检测方法的实验和分析 | 第48-53页 |
| 5.3.1 带标签样本生成及参数确定 | 第48-49页 |
| 5.3.2 结果与分析 | 第49-53页 |
| 5.4 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第61-62页 |
| 致谢 | 第62页 |
