基于机器人视觉的场景图像分类的应用研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-11页 |
| CONTENTS | 第11-14页 |
| 第一章 绪论 | 第14-25页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.1.1 场景分类的意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-23页 |
| 1.2.1 视觉机器人的研究现状 | 第16-17页 |
| 1.2.2 图像场景分类的研究现状 | 第17-21页 |
| 1.2.3 支持向量机的研究现状 | 第21-23页 |
| 1.3 论文的主要研究内容及成果 | 第23-24页 |
| 1.4 本章小结 | 第24-25页 |
| 第二章 场景分类的理论框架 | 第25-45页 |
| 2.1 场景分类的流程设计 | 第25页 |
| 2.2 特征提取 | 第25-34页 |
| 2.2.1 SIFT特征的提取 | 第27-33页 |
| 2.2.2 PCA-SIFT描述子 | 第33-34页 |
| 2.2.3 CT直方图特征的提取 | 第34页 |
| 2.3 聚类算法概述 | 第34-37页 |
| 2.3.1 聚类算法的一般步骤 | 第34-35页 |
| 2.3.2 两种常用的聚类算法 | 第35-37页 |
| 2.4 支持向量机分类算法 | 第37-44页 |
| 2.4.1 支持向量机的基本问题 | 第37-38页 |
| 2.4.2 支持向量机的分类 | 第38-43页 |
| 2.4.3 核函数和参数的选择 | 第43-44页 |
| 2.5 本章小结 | 第44-45页 |
| 第三章 场景图像的特征提取研究 | 第45-55页 |
| 3.1 场景图像数据集的选取 | 第45页 |
| 3.2 SIFT特征提取算法 | 第45-49页 |
| 3.2.1 SIFT特征的提取 | 第46-47页 |
| 3.2.2 改进的SIFT特征 | 第47-48页 |
| 3.2.3 均匀网格采样提取SIFT特征 | 第48-49页 |
| 3.3 CT直方图特征提取 | 第49-54页 |
| 3.3.1 统计变换算法 | 第49-51页 |
| 3.3.2 CT直方图算法 | 第51-53页 |
| 3.3.3 CTH特征向量提取的步骤 | 第53-54页 |
| 3.4 数据的预处理 | 第54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 AP聚类算法生成视觉字典 | 第55-63页 |
| 4.1 吸引子(AP)聚类算法 | 第55-59页 |
| 4.2 视觉字典容量的获取 | 第59-61页 |
| 4.2.1 AP聚类算法获取视觉字典容量 | 第59-61页 |
| 4.3 AP聚类结果评价 | 第61-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 实验结果与分析 | 第63-72页 |
| 5.1 场景分类实验结果与分析 | 第63-65页 |
| 5.1.1 基于SVM的分类器的学习 | 第63-64页 |
| 5.1.2 图像场景分类的实现 | 第64-65页 |
| 5.2 AP聚类的实验结果与分析 | 第65-70页 |
| 5.2.1 AP聚类算法获取视觉字典容量实验结果 | 第65-66页 |
| 5.2.2 参数对聚类实验结果的影响和分析 | 第66-70页 |
| 5.3 不同核函数的分类实验结果与分析 | 第70-71页 |
| 5.4 不同特征的分类实验结果与分析 | 第71页 |
| 5.5 本章小结 | 第71-72页 |
| 结论与展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读学位期间发表的论文 | 第77-79页 |
| 致谢 | 第79页 |
