基于视觉显著性与机器学习的双目视觉立体匹配研究
| 致谢 | 第6-7页 |
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 双目立体视觉系统 | 第15-17页 |
| 1.2.2 经典立体匹配方法 | 第17-20页 |
| 1.3 主要研究内容 | 第20-21页 |
| 1.4 本文组织结构 | 第21-22页 |
| 2 相关知识简介 | 第22-30页 |
| 2.1 人眼视觉系统(HVS) | 第22-23页 |
| 2.2 视觉显著性模型 | 第23-27页 |
| 2.2.1 基于计算模型的预测模型 | 第24-25页 |
| 2.2.2 基于空间特征的预测模型 | 第25-27页 |
| 2.3 机器学习 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 改进的特征权重立体匹配算法 | 第30-42页 |
| 3.1 色彩显著性检测 | 第30-32页 |
| 3.2 特征权重立体匹配算法 | 第32-33页 |
| 3.3 改进的特征权重立体匹配算法 | 第33-36页 |
| 3.3.1 算法设计 | 第33-34页 |
| 3.3.2 改进的特征权重策略 | 第34-35页 |
| 3.3.3 新的匹配代价度量 | 第35-36页 |
| 3.3.4 左右视差图融合 | 第36页 |
| 3.4 实验及结果分析 | 第36-41页 |
| 3.4.1 视差图融合结果分析 | 第36-37页 |
| 3.4.2 不同相似性度量函数结果对比 | 第37-39页 |
| 3.4.3 不问完度图像实验结果对比 | 第39页 |
| 3.4.4 不同窗口大小结果对比 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 4 利用超限学习机加速立体匹配算法 | 第42-53页 |
| 4.1 超限学习机 | 第42-44页 |
| 4.2 算法设计 | 第44-45页 |
| 4.2.1 设计思路 | 第44页 |
| 4.2.2 算法流程 | 第44-45页 |
| 4.3 用超限学习机构建立体匹配模型 | 第45-48页 |
| 4.3.1 构建样本 | 第45-46页 |
| 4.3.2 构建逐行预测模型 | 第46-47页 |
| 4.3.3 参数选择 | 第47-48页 |
| 4.4 实验结果及分析 | 第48-52页 |
| 4.4.1 激励函数的选择对实验的影响 | 第48-49页 |
| 4.4.2 隐节点数量对实验的影响 | 第49-50页 |
| 4.4.3 不同算法结果比较 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 5 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 作者简介 | 第60页 |
