基于物体候选区域和改进随机蕨的室内物体识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究历史与现状 | 第10-14页 |
| 1.3 本文主要工作 | 第14-15页 |
| 1.4 本文结构安排 | 第15-16页 |
| 第2章 物体候选区域的检测 | 第16-31页 |
| 2.1 图像的采集 | 第17-20页 |
| 2.1.1 深度信息的获取方式 | 第17-18页 |
| 2.1.2 Kinect传感器简介 | 第18-20页 |
| 2.2 物体候选窗口的获取 | 第20-24页 |
| 2.2.1 BING算法 | 第21-23页 |
| 2.2.2 室内场景候选窗口的获取 | 第23-24页 |
| 2.3 物体候选窗口的筛选 | 第24-28页 |
| 2.3.1 深度图像的阈值分割 | 第25-27页 |
| 2.3.2 基于深度分割图像的候选窗口筛选 | 第27-28页 |
| 2.4 物体候选窗口的扩充及分组 | 第28-29页 |
| 2.4.1 物体候选窗口的扩充 | 第28-29页 |
| 2.4.2 基于窗口宽高比的候选窗口分组 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 第3章 基于改进随机蕨的物体识别 | 第31-50页 |
| 3.1 物体识别概述 | 第31-32页 |
| 3.2 随机蕨算法 | 第32-39页 |
| 3.2.1 二进制特征的产生 | 第33-34页 |
| 3.2.2 基于滑动窗的物体识别 | 第34-36页 |
| 3.2.3 分类器的训练 | 第36-38页 |
| 3.2.4 人工协助 | 第38-39页 |
| 3.3 随机蕨算法的改进 | 第39-48页 |
| 3.3.1 针对遮挡问题的改进 | 第39-43页 |
| 3.3.2 特征获取方式的改进 | 第43-44页 |
| 3.3.3 改进算法的验证与分析 | 第44-48页 |
| 3.4 基于物体候选区域的物体识别 | 第48-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 算法实现与实验结果分析 | 第50-59页 |
| 4.1 实验数据集和评估标准 | 第50-53页 |
| 4.2 实验结果与比较分析 | 第53-58页 |
| 4.2.1 识别效果测试 | 第53-56页 |
| 4.2.2 实时性测试 | 第56-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-62页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读硕士学位期间的科研成果 | 第66页 |
