基于视觉信息的移动机器人户外路面分类研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景与意义 | 第9-10页 |
| 1.3 移动机器人路面分类研究现状 | 第10-13页 |
| 1.4 基于视觉的路面分类研究存在的问题 | 第13-14页 |
| 1.5 论文研究内容及论文结构 | 第14-16页 |
| 1.5.1 论文研究内容 | 第14页 |
| 1.5.2 论文结构安排 | 第14-16页 |
| 第2章 路面图像采集与预处理 | 第16-24页 |
| 2.1 路面图像的采集 | 第16-19页 |
| 2.1.1 图像采集装置的设计 | 第16-17页 |
| 2.1.2 摄像头的选型 | 第17-18页 |
| 2.1.3 路面图像的采集 | 第18-19页 |
| 2.2 图像预处理 | 第19-23页 |
| 2.2.1 最佳成像区域自动选取 | 第20-21页 |
| 2.2.2 图像去运动模糊 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 基于SVM-RFE特征选择的路面分类方法 | 第24-40页 |
| 3.1 路面图像特征库的建立 | 第24-30页 |
| 3.1.1 路面图像的颜色特征提取 | 第24-27页 |
| 3.1.2 路面图像的纹理特征提取 | 第27-30页 |
| 3.2 基于SVM-RFE的路面特征选择 | 第30-33页 |
| 3.3 基于SVM-RFE特征选择的路面分类实验 | 第33-39页 |
| 3.3.1 实验数据 | 第34页 |
| 3.3.2 分类器的选择 | 第34-36页 |
| 3.3.3 决策树的路面分类实验 | 第36-37页 |
| 3.3.4 SVM的路面分类实验 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于CNN-SVM的路面分类方法 | 第40-51页 |
| 4.1 卷积神经网络概述 | 第40-45页 |
| 4.1.1 人工神经网络 | 第40-41页 |
| 4.1.2 深度学习 | 第41-42页 |
| 4.1.3 卷积神经网络结构 | 第42-45页 |
| 4.2 改进的LeNet-5网络结构 | 第45-47页 |
| 4.3 基于改进的LeNet-5路面分类实验 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 实验结果对比与分析 | 第51-56页 |
| 5.1 实验平台 | 第51页 |
| 5.2 评估标准 | 第51-52页 |
| 5.3 对比实验结果分析 | 第52-54页 |
| 5.3.1 准确度分析与比较 | 第53-54页 |
| 5.3.2 实时性分析与比较 | 第54页 |
| 5.4 本章小结 | 第54-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间获得的学术成果 | 第62页 |
