移动机器人基于视觉的室外自然场景理解
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-15页 |
| ·研究背景及意义 | 第9-10页 |
| ·自然场景理解的研究现状 | 第10-11页 |
| ·自然场景理解的研究趋势 | 第11-12页 |
| ·本文的主要内容和安排 | 第12-15页 |
| 2 室外环境的特征提取和学习算法 | 第15-29页 |
| ·单目视觉系统 | 第15-17页 |
| ·Flea2摄像机 | 第15-16页 |
| ·图像畸变与校正 | 第16-17页 |
| ·室外环境图像库构建 | 第17-19页 |
| ·图像特征Texton的提取 | 第19-26页 |
| ·图像矢量化 | 第20-22页 |
| ·Texton特征提取的学习算法 | 第22-25页 |
| ·构建视觉字典 | 第25页 |
| ·Texton map的构建 | 第25-26页 |
| ·实验结果和数据分析 | 第26-29页 |
| 3 室外环境的障碍物检测 | 第29-38页 |
| ·基于Texton的图像场景描述符 | 第30-31页 |
| ·图像场景间相似程度的度量 | 第31-32页 |
| ·障碍物类别的SVM识别模型 | 第32-35页 |
| ·多类SVM分类器 | 第32-34页 |
| ·障碍物的训练数据规范化 | 第34页 |
| ·多类障碍物模型的构建 | 第34-35页 |
| ·室外环境中障碍物检测识别 | 第35页 |
| ·实验结果与数据分析 | 第35-38页 |
| 4 室外环境的自然场景理解 | 第38-59页 |
| ·基于图像基本结构的子块分割 | 第38-48页 |
| ·Texton语义弱分类器表示 | 第38-39页 |
| ·基于语义弱分类器的Boost识别模型构建与测试 | 第39-43页 |
| ·Texton的像素弱分类器的表示 | 第43-44页 |
| ·基于像素弱分类器的图像分割 | 第44-46页 |
| ·实验结果与数据分析 | 第46-48页 |
| ·基于图像子块模型库匹配的图像识别 | 第48-53页 |
| ·图像子块类别模型库的构建 | 第49-50页 |
| ·基于模型库匹配的图像子块分割 | 第50-52页 |
| ·实验结果与数据分析 | 第52-53页 |
| ·局部信息和全局信息的相结合的图像识别 | 第53-59页 |
| ·基于图像子块的语义识别模型 | 第54-56页 |
| ·全局和局部信息结合的图像识别 | 第56页 |
| ·实验结果和数据分析 | 第56-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间发表学术论文情况 | 第64页 |
| 课题资助情况 | 第64-65页 |
| 致谢 | 第65-66页 |