基于机器视觉的障碍物识别算法的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第6-13页 |
| 1.1 研究背景及意义 | 第6-7页 |
| 1.2 课题研究情况 | 第7-10页 |
| 1.2.1 国外研究现状 | 第7-9页 |
| 1.2.2 国内研究现状 | 第9-10页 |
| 1.3 课题研究内容安排 | 第10-12页 |
| 1.4 本章小结 | 第12-13页 |
| 第二章 基于机器视觉的障碍物检测 | 第13-29页 |
| 2.1 引言 | 第13页 |
| 2.2 图像预处理 | 第13-18页 |
| 2.2.1 图像滤波去噪处理 | 第14-17页 |
| 2.2.2 图像锐化处理 | 第17-18页 |
| 2.3 图像分割 | 第18-25页 |
| 2.3.1 交互式图像分割技术概述 | 第19-20页 |
| 2.3.2 GrabCut分割方法 | 第20-21页 |
| 2.3.3 能量最小化 | 第21-22页 |
| 2.3.4 高斯混合模型（GMM） | 第22-24页 |
| 2.3.5 GrabCut实现过程 | 第24-25页 |
| 2.4 GrabCut优化 | 第25-28页 |
| 2.4.1 GrabCut快速收敛优化算法 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于视觉图像的特征提取 | 第29-43页 |
| 3.1 引言 | 第29页 |
| 3.2 几种常用图像特征提取方法 | 第29-41页 |
| 3.2.1 SIFT特征 | 第30-32页 |
| 3.2.2 SURF特征 | 第32-35页 |
| 3.2.3 HOG特征 | 第35-41页 |
| 3.3 几种特征提取方法的比较 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 障碍物识别与分类器设计 | 第43-59页 |
| 4.1 引言 | 第43页 |
| 4.2 SVM原理概述 | 第43-46页 |
| 4.2.1 VC维理论 | 第43-44页 |
| 4.2.2 泛化能力的界 | 第44-45页 |
| 4.2.3 结构风险最小化 | 第45-46页 |
| 4.3 基于SVM的分类器 | 第46-58页 |
| 4.3.1 构建最优分类超平面 | 第47-51页 |
| 4.3.2 核函数（kernel） | 第51-54页 |
| 4.3.3 SVM分类器的参数优化 | 第54-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 实验及数据分析 | 第59-70页 |
| 5.1 引言 | 第59页 |
| 5.2 实验与结果分析 | 第59-68页 |
| 5.2.1 障碍物图像预处理与分割 | 第60-62页 |
| 5.2.2 障碍物图像的HOG特征提取 | 第62-63页 |
| 5.2.3 SVM分类器参数确定与障碍物识别 | 第63-64页 |
| 5.2.4 实验结果与分析 | 第64-68页 |
| 5.3 本章小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 论文工作总结 | 第70页 |
| 6.2 结论与展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 附录 | 第76-77页 |
