| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第一章 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文的创新点 | 第15页 |
| 1.4 论文结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 RBF网络与Q学习的概述 | 第17-25页 |
| 2.1 神经元模型 | 第17页 |
| 2.2 RBF网络 | 第17-19页 |
| 2.3 Q学习理论 | 第19-20页 |
| 2.4 Q学习与决策树 | 第20-23页 |
| 2.4.1 Q学习算法 | 第20-21页 |
| 2.4.2 Q学习的状态与数值函数 | 第21-22页 |
| 2.4.3 状态离散化与决策树 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 基于RBF网络的启发式Q学习在路径搜索中的应用 | 第25-39页 |
| 3.1 启发式Q学习算法 | 第25-27页 |
| 3.2 RNH ? QL学习算法 | 第27-30页 |
| 3.3 Matlab中路径搜索实验的环境描述 | 第30-31页 |
| 3.4 路径搜索实验结果 | 第31-33页 |
| 3.4.1 标准Q学习 | 第31-32页 |
| 3.4.2 基于RBF网络的Q学习 | 第32页 |
| 3.4.3 RNH-QL方法 | 第32-33页 |
| 3.4.4 路径搜索中三种算法的累积奖励值的比较 | 第33页 |
| 3.5 RNH-QL算法的性能分析 | 第33-35页 |
| 3.6 多种学习算法的性能比较与分析 | 第35-36页 |
| 3.7 RNH-QL算法在Visual Studio的路径搜索实验 | 第36-38页 |
| 3.7.1 Visual Studio中的实验环境 | 第36页 |
| 3.7.2 RNH-QL算法在VS中的搜索结果 | 第36-38页 |
| 3.8 本章小结 | 第38-39页 |
| 第四章 基于Android和OpenCV的盲道与斑马线识别 | 第39-55页 |
| 4.1 基于Android的盲道识别 | 第39-45页 |
| 4.1.1 盲道图像预处理单元 | 第39-40页 |
| 4.1.2 图像的形态学操作 | 第40-42页 |
| 4.1.3 盲道区域粗定位单元 | 第42-44页 |
| 4.1.4 盲道区域精定位单元 | 第44-45页 |
| 4.2 基于Android的斑马线识别 | 第45-53页 |
| 4.2.1 交通路口辨别单元 | 第45-46页 |
| 4.2.2 斑马线图像预处理单元 | 第46-47页 |
| 4.2.3 斑马线区域粗定位单元 | 第47-50页 |
| 4.2.4 斑马线区域精定位单元 | 第50-53页 |
| 4.3 本章小节 | 第53-55页 |
| 第五章 基于智能手机的移动导盲系统的设计 | 第55-63页 |
| 5.1 移动的导盲系统概述 | 第55页 |
| 5.2 基础导航系统设计 | 第55-56页 |
| 5.3 综合图像处理系统设计 | 第56-57页 |
| 5.4 语音辅助系统设计 | 第57-58页 |
| 5.5 系统处理结果 | 第58-62页 |
| 5.5.1 盲道的识别结果 | 第58-59页 |
| 5.5.2 斑马线的识别结果 | 第59-60页 |
| 5.5.3 井盖类障碍的识别结果 | 第60-61页 |
| 5.5.4 静态物体轮廓的识别结果 | 第61-62页 |
| 5.6 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 攻读硕士期间研究成果及发表的学术论文 | 第71-72页 |
| 攻读硕士期间参与的研究项目 | 第72页 |
