摘要 | 第1-7页 |
Abstract | 第7-12页 |
第1章 绪论 | 第12-26页 |
·研究背景 | 第12页 |
·研究现状 | 第12-16页 |
·国外研究状况 | 第13-15页 |
·国内研究现状 | 第15-16页 |
·对象检测难点及方法分类 | 第16-21页 |
·识别难点 | 第16-17页 |
·识别方法分类 | 第17-21页 |
·问题的提出及课题的意义 | 第21-22页 |
·本文研究目标和主要研究内容 | 第22-24页 |
·论文结构及章节安排 | 第24-26页 |
第2章 路面对象识别中的机器学习方法 | 第26-50页 |
·机器学习发展历程 | 第26-28页 |
·通用学习系统研究阶段 | 第26页 |
·符号概念获取阶段 | 第26-27页 |
·知识自动获取研究阶段 | 第27页 |
·多学习机制形成阶段 | 第27-28页 |
·机器学习概述 | 第28-29页 |
·机器学习中关键技术介绍 | 第29-41页 |
·典型的特征描述方法 | 第29-33页 |
·典型的分类器 | 第33-41页 |
·机器学习在路面对象识别中的应用现状及分析 | 第41-48页 |
·应用现状 | 第41-45页 |
·应用现状分析 | 第45-48页 |
·本章小结 | 第48-50页 |
第3章 特征提取及特征降维方法研究 | 第50-66页 |
·问题概述 | 第50-51页 |
·改进的Haar小波特征提取方法 | 第51-55页 |
·二维图像的小波分解 | 第51-52页 |
·HSV颜色模型 | 第52-53页 |
·特征提取算法 | 第53-55页 |
·类Haar特征提取 | 第55-60页 |
·类Haar特征构造 | 第55-56页 |
·类Haar特征计算 | 第56-59页 |
·构建类Haar特征值集 | 第59-60页 |
·特征降维方法 | 第60-61页 |
·F-score概念 | 第60页 |
·特征降维算法构造 | 第60-61页 |
·实验结果及分析 | 第61-64页 |
·本章小结 | 第64-66页 |
第4章 支持向量机参数选择方法研究 | 第66-78页 |
·支持向量机概述 | 第66-72页 |
·现有支持向量机参数选择方法 | 第72-75页 |
·双线性法 | 第73-74页 |
·梯度下降法 | 第74页 |
·交叉验证法 | 第74-75页 |
·改进的交叉验证选参方法 | 第75-76页 |
·实验结果及分析 | 第76-77页 |
·本章小结 | 第77-78页 |
第5章 AdaBoost分类器研究 | 第78-92页 |
·集成机器学习 | 第78-80页 |
·弱分类器 | 第79页 |
·集成方法 | 第79-80页 |
·AdaBoost算法的问题概述 | 第80-82页 |
·改进的AdaBoost算法 | 第82-88页 |
·改进的弱分类器生成算法 | 第82-86页 |
·AdaBoost算法的增量学习方法 | 第86-88页 |
·实验结果及分析 | 第88-91页 |
·本章小结 | 第91-92页 |
第6章 样本自动化准备方法及样本不平衡分类问题研究 | 第92-100页 |
·问题概述 | 第92-93页 |
·样本自动化准备方法研究 | 第93-96页 |
·粗精度样本准备阶段 | 第93-94页 |
·细精度样本准备阶段 | 第94-96页 |
·样本不平衡分类问题研究 | 第96-97页 |
·实验结果及分析 | 第97-99页 |
·本章小结 | 第99-100页 |
第7章 对象识别技术在路面对象识别系统中的应用 | 第100-122页 |
·路面对象识别系统的结构 | 第100-104页 |
·对象检测模块 | 第104-107页 |
·检测算法结构 | 第104-106页 |
·算法的输入与输出 | 第106-107页 |
·算法评估 | 第107-120页 |
·评估图像 | 第107-108页 |
·评估方法 | 第108-109页 |
·评估结果 | 第109-120页 |
·本章小结 | 第120-122页 |
第8章 结论 | 第122-126页 |
·本文的主要研究成果 | 第122-123页 |
·未来研究方向 | 第123-126页 |
参考文献 | 第126-138页 |
致谢 | 第138-140页 |
作者简介 | 第140-142页 |
攻读学位期间发表的论文及科研工作 | 第142-143页 |