| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-21页 |
| 1.1 本文研究的背景与意义 | 第9-10页 |
| 1.2 智能汽车国内外研究现状 | 第10-14页 |
| 1.2.1 美国智能车辆发展及现状 | 第10-12页 |
| 1.2.2 欧洲智能车辆发展及现状 | 第12页 |
| 1.2.3 亚洲智能车辆发展及现状 | 第12-13页 |
| 1.2.4 我国智能车辆发展及现状 | 第13-14页 |
| 1.3 路表识别研究现状 | 第14-16页 |
| 1.4 与本文相关的前期工作 | 第16-19页 |
| 1.4.1 采集图像数据 | 第16-17页 |
| 1.4.2 标记图像 | 第17-18页 |
| 1.4.3 建立地表纹理数据库 | 第18-19页 |
| 1.5 本文研究的内容和结构安排 | 第19-21页 |
| 2 地表纹理多特征提取方法 | 第21-31页 |
| 2.1 颜色特征 | 第21-23页 |
| 2.2 LBP特征 | 第23-25页 |
| 2.3 SIFT特征 | 第25-29页 |
| 2.3.1 构建尺度空间 | 第25-27页 |
| 2.3.2 尺度空间极值点检测 | 第27-28页 |
| 2.3.3 为特征点分配方向值 | 第28页 |
| 2.3.4 生成特征描述子 | 第28-29页 |
| 2.4 实验结果 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 基于SVM的地表分类算法 | 第31-43页 |
| 3.1 SVM算法 | 第31-33页 |
| 3.2 利用集成学习思想提高SVM分类性能的研究(KNN-SVM) | 第33-36页 |
| 3.2.1 集成学习方法 | 第33-34页 |
| 3.2.2 KNN分类器 | 第34-35页 |
| 3.2.3 KNN-SVM算法 | 第35-36页 |
| 3.3 基于混合核函数的SVM | 第36-40页 |
| 3.3.1 核函数 | 第36页 |
| 3.3.2 核函数支持向量机 | 第36-37页 |
| 3.3.3 混合核函数 | 第37-39页 |
| 3.3.4 混合核函数参数评价指标 | 第39-40页 |
| 3.4 实验结果 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 基于随机森林的地表分类算法 | 第43-57页 |
| 4.1 决策树 | 第43-47页 |
| 4.1.1 CLS算法 | 第43页 |
| 4.1.2 ID3算法 | 第43-45页 |
| 4.1.3 C4.5算法 | 第45-46页 |
| 4.1.4 CART算法 | 第46-47页 |
| 4.2 随机森林 | 第47-49页 |
| 4.2.1 随机森林的随机性 | 第47页 |
| 4.2.2 随机森林算法示意图 | 第47-48页 |
| 4.2.3 随机森林的性能指标 | 第48-49页 |
| 4.3 基于分类间隔的随机森林 | 第49-52页 |
| 4.3.1 分类间隔研究简述 | 第49页 |
| 4.3.2 基于分类间隔的随机森林 | 第49-52页 |
| 4.4 实验结果 | 第52-56页 |
| 4.5 本章小结 | 第56-57页 |
| 5 基于多通道卷积神经网络的非结构化道路路表分析 | 第57-65页 |
| 5.1 卷积神经网络简介 | 第57-59页 |
| 5.2 基于多通道的卷积神经网络 | 第59-62页 |
| 5.2.1 反向传播算法(BP算法)在多通道卷积神经网络中的应用 | 第59-60页 |
| 5.2.2 多通道卷积神经网络模型 | 第60-61页 |
| 5.2.3 多通道卷积神经网络训练算法 | 第61-62页 |
| 5.3 实验结果 | 第62-63页 |
| 5.3.1 实验参数设定 | 第62页 |
| 5.3.2 实验结果 | 第62-63页 |
| 5.4 本章小结 | 第63-65页 |
| 6 总结与展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录 | 第71页 |