基于彩色图像的道路环境分类技术研究
| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 1 绪论 | 第7-11页 |
| ·课题研究背景及意义 | 第7页 |
| ·智能车辆与机器人的发展概况 | 第7-9页 |
| ·国外智能车辆与机器人发展历史 | 第8-9页 |
| ·智能车辆在国内的研究 | 第9页 |
| ·常用的环境分类技术及发展 | 第9-10页 |
| ·本文研究的主要内容与结构 | 第10-11页 |
| 2 常用道路环境分类方法分析 | 第11-20页 |
| ·常用的智能车辆传感器 | 第11页 |
| ·基于距离信息的局部形状分类方法 | 第11-13页 |
| ·基于距离信息的统计分类方法 | 第13-15页 |
| ·基于振动信息的分类方法 | 第15-17页 |
| ·基于颜色特征的分类方法 | 第17-18页 |
| ·基于纹理特征的分类方法 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 3 基于彩色图像的特征提取 | 第20-40页 |
| ·颜色特征 | 第20-28页 |
| ·三基色原理 | 第21-23页 |
| ·常用的颜色空间 | 第23-26页 |
| ·特征表示及提取 | 第26-28页 |
| ·纹理特征 | 第28-39页 |
| ·纹理的定义及描述方法 | 第28-32页 |
| ·数据描述方法 | 第32-36页 |
| ·纹理特征的提取 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 4 分类器设计 | 第40-48页 |
| ·常用分类器介绍 | 第40-44页 |
| ·贝叶斯分类器 | 第40-41页 |
| ·最短距离分类器 | 第41-42页 |
| ·基于神经网络的分类器 | 第42-43页 |
| ·近邻分类器 | 第43-44页 |
| ·基于GMM的道路环境分类 | 第44-47页 |
| ·GMM原理 | 第44-45页 |
| ·EM算法 | 第45-47页 |
| ·分类方法 | 第47页 |
| ·本章小结 | 第47-48页 |
| 5 实验过程及结果分析 | 第48-54页 |
| ·训练过程 | 第48-50页 |
| ·分类过程 | 第50-52页 |
| ·结果及分析 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-58页 |
