| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 目录 | 第10-13页 |
| 第一章 绪论 | 第13-25页 |
| ·研究背景 | 第13页 |
| ·地面智能机器人的发展概况简述 | 第13-15页 |
| ·非结构环境下基于图像的地形分类算法发展概况 | 第15-18页 |
| ·非结构环境下的地形分类算法 | 第15-16页 |
| ·地形分类算法的发展概况 | 第16-18页 |
| ·可通行性区域分类算法的发展概况 | 第18页 |
| ·主动学习的分类及主动学习在可通行性区域分类中的应用 | 第18-22页 |
| ·主动学习的分类 | 第18-21页 |
| ·主动学习在可通行性区域分类中的应用 | 第21-22页 |
| ·本文的内容安排及创新点 | 第22-25页 |
| ·本文内容安排 | 第22-23页 |
| ·本文主要创新点 | 第23-25页 |
| 第二章 基于高斯混合模型的非结构复杂环境地形分类 | 第25-42页 |
| ·特征提取 | 第25-30页 |
| ·用于地形分类的高斯混合建模 | 第30-34页 |
| ·一种分类策略 | 第34-36页 |
| ·实验结果及分析 | 第36-41页 |
| ·Outex数据库中自然场景测试集 | 第36-38页 |
| ·野外环境数据库 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 尺度、旋转不变性特征提取研究及应用 | 第42-71页 |
| ·脊波变换及旋转不变性处理 | 第42-46页 |
| ·连续Ridgelet变换 | 第42-43页 |
| ·脊波变换的数字实现 | 第43-45页 |
| ·Ridgelet变换后的旋转不变性处理 | 第45-46页 |
| ·常规的基于脊波变换的旋转不变性特征提取 | 第46页 |
| ·一种新的基于脊波变换的旋转不变性纹理特征提取 | 第46-54页 |
| ·脊波变换后高、低频子波段间关系特征的提取 | 第46-48页 |
| ·旋转不变性的纹理特征提取 | 第48-52页 |
| ·实验结果及其分析 | 第52-54页 |
| ·尺度和旋转不变性颜色纹理特征提取 | 第54-70页 |
| ·频率B-样条小波 | 第54-55页 |
| ·尺度不变性处理 | 第55-58页 |
| ·不同频率子波段间的关系特征提取 | 第58-60页 |
| ·尺度和旋转不变性颜色纹理特征提取方法 | 第60-65页 |
| ·实验结果及其分析 | 第65-70页 |
| ·本章小结 | 第70-71页 |
| 第四章 面向可通行性区域分类的主动学习算法研究 | 第71-94页 |
| ·一种新的SVM主动学习算法 | 第72-83页 |
| ·SVM主动学习算法 | 第72-73页 |
| ·KSVMactive主动学习算法 | 第73-79页 |
| ·实验结果及分析 | 第79-83页 |
| ·基于AUC优化的非线性主动学习算法 | 第83-92页 |
| ·使用AUC优化方法来训练非线性分类器 | 第84-87页 |
| ·基于AUC优化的非线性主动学习算法 | 第87-90页 |
| ·实验结果及分析 | 第90-92页 |
| ·本章小结 | 第92-94页 |
| 第五章 AUC优化算法研究及应用 | 第94-115页 |
| ·ROC曲线及其曲线下的面积(AUC)计算 | 第95-96页 |
| ·用于分类器训练的AUC优化算法 | 第96页 |
| ·基于主动学习的AUC最大化线性分类器 | 第96-107页 |
| ·利用动态聚类选取最有代表性的样本 | 第97页 |
| ·AUC最大化线性分类器 | 第97-103页 |
| ·实验结果及分析 | 第103-107页 |
| ·基于改进的粒子群算法的AUC最大化 | 第107-114页 |
| ·新目标函数的生成 | 第107-108页 |
| ·利用改进的粒子群算法最大化目标函数 | 第108-110页 |
| ·基于粒子群的AUC最大化算法 | 第110-111页 |
| ·实验结果及分析 | 第111-114页 |
| ·本章小结 | 第114-115页 |
| 第六章 总结与展望 | 第115-118页 |
| 致谢 | 第118-119页 |
| 参考文献 | 第119-130页 |
| 附录 | 第130-131页 |