户外目标识别及在增强现实中的应用
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-22页 |
| ·增强现实概述 | 第10-13页 |
| ·课题研究背景 | 第13-14页 |
| ·国内外研究现状 | 第14-18页 |
| ·户外场景识别发展现状 | 第14-17页 |
| ·复杂环境下目标检测发展现状 | 第17-18页 |
| ·本文的内容和结构 | 第18-22页 |
| ·论文的研究目的 | 第18-19页 |
| ·论文的研究内容 | 第19-20页 |
| ·论文章节结构 | 第20-22页 |
| 第2章 自然特征提取和处理 | 第22-40页 |
| ·特征提取与不变性 | 第22-35页 |
| ·尺度空间与尺度金字塔 | 第35-37页 |
| ·特征的组织结构 | 第37-38页 |
| ·主成份分析 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第3章 场景分类与识别 | 第40-48页 |
| ·混合特征模型 | 第41-43页 |
| ·混合特征选取 | 第41-42页 |
| ·地理信息检索树与混合特征模型 | 第42-43页 |
| ·混合特征模型的学习算法 | 第43-44页 |
| ·随机 Ferns | 第43页 |
| ·测试函数 | 第43-44页 |
| ·基于自适应权重的识别算法 | 第44-46页 |
| ·校园导航应用 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第4章 物体检测识别 | 第48-67页 |
| ·基于部件的重构模型与物体的组成结构 | 第48-50页 |
| ·重构模型的学习算法 | 第50-63页 |
| ·支持向量机 | 第50-55页 |
| ·风险最小化-支持向量机的统计解释 | 第55-56页 |
| ·分类算法的比较 | 第56-57页 |
| ·含有隐变量的支持向量机 | 第57页 |
| ·最优组成结构中的外观参数学习 | 第57-59页 |
| ·基于与或搜索算法的最优组成结构 | 第59-61页 |
| ·基于Group Lasso 的最优组成结构 | 第61-63页 |
| ·基于重构模型的检测算法 | 第63-64页 |
| ·重构模型的应用 | 第64-66页 |
| ·车辆检测 | 第64页 |
| ·手机移动增强现实 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第5章 实验 | 第67-76页 |
| ·场景识别性能分析 | 第67-71页 |
| ·物体检测识别性能分析 | 第71-75页 |
| ·本章小结 | 第75-76页 |
| 第6章 结论和展望 | 第76-79页 |
| ·结论 | 第76-77页 |
| ·展望 | 第77-79页 |
| 参考文献 | 第79-86页 |
| 攻读学位期间发表论文与研究成果清单 | 第86-87页 |
| 致谢 | 第87-88页 |
