| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16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12-14页 |
| 1.4 论文研究内容 | 第14-15页 |
| 1.5 论文结构安排 | 第15-16页 |
| 第2章 相关知识介绍 | 第16-23页 |
| 2.1 引言 | 第16页 |
| 2.2 深度图像基础知识介绍 | 第16-17页 |
| 2.2.1 深度图像相关概念 | 第16-17页 |
| 2.2.2 深度图像的获取与应用 | 第17页 |
| 2.3 遮挡相关知识 | 第17-19页 |
| 2.3.1 遮挡现象及遮挡类型 | 第17-18页 |
| 2.3.2 物体的遮挡边界 | 第18-19页 |
| 2.4 机器学习方法相关知识 | 第19-22页 |
| 2.4.1 机器学习方法介绍 | 第19页 |
| 2.4.2 有监督与无监督 | 第19页 |
| 2.4.3 支持向量机 | 第19-20页 |
| 2.4.4 随机森林 | 第20页 |
| 2.4.5 AdaBoost | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于集成学习思想的遮挡边界检测方法 | 第23-33页 |
| 3.1 引言 | 第23页 |
| 3.2 现有遮挡相关特征 | 第23-24页 |
| 3.2.1 平均曲率特征 | 第23-24页 |
| 3.2.2 平均深度差特征 | 第24页 |
| 3.2.3 最大深度差特征 | 第24页 |
| 3.2.4 夹角特征 | 第24页 |
| 3.3 新提出的深度图像遮挡相关特征 | 第24-28页 |
| 3.3.1 八邻域总深度差特征 | 第25-27页 |
| 3.3.2 最大面积特征 | 第27-28页 |
| 3.4 基于集成学习思想的检测方法 | 第28-30页 |
| 3.4.1 方法总体思想 | 第28-29页 |
| 3.4.2 AdaBoost遮挡检测分类器的训练及检测 | 第29-30页 |
| 3.5 基于集成学习思想的检测算法描述 | 第30-31页 |
| 3.6 本章小结 | 第31-33页 |
| 第4章 基于机器学习结合阈值分割的遮挡边界检测方法 | 第33-40页 |
| 4.1 引言 | 第33页 |
| 4.2 基于机器学习结合阈值分割的检测方法 | 第33-38页 |
| 4.2.1 方法总体思想 | 第33-34页 |
| 4.2.2 正负样本的生成 | 第34-38页 |
| 4.2.3 结合阈值分割的检测分类器的训练及检测 | 第38页 |
| 4.3 基于机器学习结合阈值分割的检测算法描述 | 第38-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第5章 实验及结果分析 | 第40-51页 |
| 5.1 实验环境及数据集 | 第40页 |
| 5.2 基于集成学习思想的检测方法实验及分析 | 第40-46页 |
| 5.2.1 训练样本的确定及参数设置 | 第41-42页 |
| 5.2.2 实验结果及分析 | 第42-46页 |
| 5.3 基于机器学习结合阈值分割的检测方法实验及分析 | 第46-50页 |
| 5.3.1 训练样本的确定及参数设置 | 第46-47页 |
| 5.3.2 实验结果及分析 | 第47-50页 |
| 5.4 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第57-58页 |
| 致谢 | 第58-59页 |
| 作者简介 | 第59页 |
