RGB-D图像分析关键技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.3 课题的实验环境及论文结构 | 第16-18页 |
| 第二章 图像分析概述 | 第18-27页 |
| 2.1 特征提取与选择 | 第18-24页 |
| 2.2 分类器设计 | 第24-26页 |
| 2.3 有监督、无监督和半监督学习 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 Kinect 深度信息的获取及存储 | 第27-32页 |
| 3.1 Kinect 深度成像原理 | 第27-29页 |
| 3.2 Kinect 深度信息的获取 | 第29-30页 |
| 3.3 深度信息的存储 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于深度信息的头部姿势估计实现 | 第32-44页 |
| 4.1 随机回归森林介绍 | 第32-33页 |
| 4.2 随机回归森林的训练 | 第33-36页 |
| 4.3 头部姿势估计 | 第36-37页 |
| 4.4 实验结果及分析 | 第37-42页 |
| 4.5 本章小结 | 第42-44页 |
| 第五章 立体显著性对象分割研究 | 第44-54页 |
| 5.1 平面图像区域对比显著性计算方法 | 第44-45页 |
| 5.2 基于深度预分割的立体显著性获取方法 | 第45-47页 |
| 5.3 深度加权的立体显著性获取方法 | 第47-49页 |
| 5.4 实验结果及分析 | 第49-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 论文总结 | 第54页 |
| 6.2 研究展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 发表论文和参加科研情况说明 | 第61-62页 |
| 致谢 | 第62页 |
