| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 课题背景与研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 度量学习研究现状 | 第11-12页 |
| 1.2.2 纹理特征提取与纹理分类的研究现状 | 第12-13页 |
| 1.3 主要工作及论文结构 | 第13-15页 |
| 1.3.1 主要工作及创新点 | 第13页 |
| 1.3.2 论文结构安排 | 第13-15页 |
| 2 距离度量学习与分类算法概述 | 第15-31页 |
| 2.1 距离度量学习 | 第15-21页 |
| 2.1.1 有监督距离度量学习 | 第16-20页 |
| 2.1.2 无监督距离度量学习 | 第20-21页 |
| 2.2 常用的距离度量 | 第21-23页 |
| 2.3 常用的分类算法 | 第23-30页 |
| 2.3.1 朴素贝叶斯分类算法 | 第23-24页 |
| 2.3.2 决策树算法 | 第24-25页 |
| 2.3.3 Boosting 算法 | 第25-26页 |
| 2.3.4 K 近邻(KNN)算法 | 第26-27页 |
| 2.3.5 支持向量机(SVM) | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 基于 RGB-D 图像的三维物体连续表面纹理重建研究 | 第31-46页 |
| 3.1 深度图像坐标与世界坐标转换 | 第31-32页 |
| 3.2 原始数据处理 | 第32-38页 |
| 3.2.1 多帧统计平均去噪方法及实验分析 | 第33-34页 |
| 3.2.2 去噪算法研究 | 第34-38页 |
| 3.3 基于混合高斯模型的背景建模 | 第38-40页 |
| 3.3.1 混合高斯模型原理 | 第39-40页 |
| 3.3.2 实验与分析 | 第40页 |
| 3.4 基于区域生长及最小二乘法的平面纹理提取 | 第40-45页 |
| 3.4.1 基于最小二乘法的平面拟合 | 第40-42页 |
| 3.4.2 基于区域生长的平面提取 | 第42-43页 |
| 3.4.3 利用仿射变换获取平面的纹理图像 | 第43-44页 |
| 3.4.4 实验设计及结果 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 4 基于度量学习的纹理识别实验 | 第46-61页 |
| 4.1 基于局部二值模式(LBP)的特征提取 | 第46-50页 |
| 4.1.1 原理介绍 | 第46-48页 |
| 4.1.2 基于 LBP 的特征提取 | 第48-50页 |
| 4.2 基于支持向量机的纹理识别 | 第50-54页 |
| 4.2.1 实验设计 | 第50-52页 |
| 4.2.2 实验结果及分析 | 第52-54页 |
| 4.3 基于 KNN 算法的纹理识别 | 第54-56页 |
| 4.3.1 实验设计 | 第54-55页 |
| 4.3.2 实验结果及分析 | 第55-56页 |
| 4.4 基于 LMNN-KNN 算法的纹理识别 | 第56-58页 |
| 4.4.1 算法描述及实验设计 | 第56-57页 |
| 4.4.2 实验结果及分析 | 第57-58页 |
| 4.5 基于 ITML-KNN 算法的纹理识别 | 第58-60页 |
| 4.5.1 算法描述及实验设计 | 第58-59页 |
| 4.4.2 实验结果及分析 | 第59-60页 |
| 4.6 本章小结 | 第60-61页 |
| 5 基于 ITML-KNN 的三维物体表面纹理识别 | 第61-64页 |
| 5.1 实验设计 | 第61-62页 |
| 5.2 实验结果及分析 | 第62-63页 |
| 5.3 本章小结 | 第63-64页 |
| 6 总结及展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 个人简历 | 第70页 |
| 发表的学术论文 | 第70-71页 |