基于机器学习和信息融合的可行区域检测系统研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究发展现状 | 第11-18页 |
| 1.2.1 基于视觉的可行区域检测系统 | 第12-17页 |
| 1.2.1.1 单目可行区域检测系统 | 第12-15页 |
| 1.2.1.2 双目可行区域检测系统 | 第15-17页 |
| 1.2.2 激光雷达与超声波雷达可行区域检测 | 第17-18页 |
| 1.3 本文思路及创新 | 第18-19页 |
| 1.4 本文结构 | 第19-20页 |
| 2 可行区域检测基本思路 | 第20-32页 |
| 2.1 可行区域检测问题分析 | 第20-23页 |
| 2.1.1 基本假设与问题描述 | 第20-22页 |
| 2.1.2 可行区域检测基本思路 | 第22-23页 |
| 2.2 极限学习机基本理论 | 第23-26页 |
| 2.2.1 极限学习机 | 第23-25页 |
| 2.2.2 带权重的极限学习机 | 第25-26页 |
| 2.3 权重设置 | 第26-28页 |
| 2.4 验证实验 | 第28-29页 |
| 2.5 本章小结 | 第29-32页 |
| 3 可行区域检测学习框架 | 第32-48页 |
| 3.1 概述 | 第32-33页 |
| 3.2 基于超像素的特征提取 | 第33-37页 |
| 3.2.1 图像分割 | 第33-34页 |
| 3.2.2 超像素特征提取 | 第34-37页 |
| 3.3 分类 | 第37-40页 |
| 3.3.1 多尺度分类以及投票融合 | 第37-39页 |
| 3.3.2 可行区域滤波 | 第39-40页 |
| 3.4 训练和更新 | 第40-42页 |
| 3.5 融合外部信息策略 | 第42-46页 |
| 3.6 本章小结 | 第46-48页 |
| 4 实验和分析 | 第48-68页 |
| 4.1 实验平台 | 第48-49页 |
| 4.2 单目实验 | 第49-61页 |
| 4.2.1 数据集 | 第49-50页 |
| 4.2.2 度量尺度 | 第50-51页 |
| 4.2.3 参数确定实验 | 第51-54页 |
| 4.2.3.1 层数θ确定实验 | 第52-53页 |
| 4.2.3.2 超像素比k确定实验 | 第53-54页 |
| 4.2.4 效果评定实验 | 第54-61页 |
| 4.3 融合外部信息实验 | 第61-65页 |
| 4.4 本章小结 | 第65-68页 |
| 5 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68-69页 |
| 5.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 在学期间所取得的科研成果 | 第74-76页 |
| 作者简历 | 第76页 |
