基于半监督学习的障碍物检测

摘要	第1-4页
Abstract	第4-7页
1 引言	第7-13页
·课题研究背景	第7-8页
·研究现状以及成果	第8-12页
·移动机器人研究进展以及关键技术	第8页
·图像模式识别及其应用	第8-9页
·半监督学习及其应用	第9-12页
·本文主要研究内容与结构安排	第12-13页
2 环境感知图像的特征提取	第13-23页
·数字图像特征概述	第13-14页
·图像特征提取	第14-18页
·基于HSV空间的颜色特征提取	第14-15页
·基于灰度共生矩阵的纹理特征提取	第15-18页
·基于分块策略的特征提取	第18-22页
·基于分块策略的图像标记	第18-19页
·颜色特征提取实验与分析	第19-20页
·纹理特征提取实验与分析	第20-22页
·本章小结	第22-23页
3 基于k-近邻算法的环境感知图像的障碍物检测	第23-30页
·k-近邻算法	第23-26页
·样本相似性度量	第23-24页
·最近邻算法	第24-25页
·k-近邻算法	第25-26页
·k-近邻算法用于障碍物检测	第26-29页
·实验设计	第26-27页
·训练图像与测试图像标记处理	第27页
·实验结果与分析	第27-29页
·本章小结	第29-30页
4 基于半监督学习的环境感知图像的障碍物检测	第30-57页
·半监督学习	第30-33页
·半监督学习概述	第30-31页
·半监督学习中未标记样本的利用	第31-32页
·半监督学习中的聚类假设和流形假设	第32-33页
·自我训练	第33-38页
·自我训练算法	第33-34页
·基于自我训练算法的障碍物检测实验与分析	第34-38页
·协同训练	第38-56页
·标准协同训练算法	第38-40页
·PAC学习模型	第40-42页
·用PAC模型分析协同训练算法对未标记样本的利用	第42-43页
·协同训练算法的PAC模型泛化误差界限	第43-46页
·协同训练算法的PAC-style性能分析	第46-50页
·基于协同训练算法的障碍物检测实验与分析	第50-56页
·本章小结	第56-57页
5 总结与展望	第57-58页
致谢	第58-59页
参考文献	第59-62页