视障者视觉辅助技术中刚性物体全方位姿态估计方法
| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 物体姿态估计简介 | 第9-12页 |
| 1.2.1 物体姿态估计研究现状 | 第9-10页 |
| 1.2.2 姿态估计研究方法概述 | 第10-12页 |
| 1.3 现有方法适用性分析 | 第12-13页 |
| 1.4 本文的主要研究内容 | 第13-14页 |
| 1.5 本文结构及章节安排 | 第14-15页 |
| 第二章 物体姿态估计研究框架 | 第15-21页 |
| 2.1 物体姿态的数学描述 | 第15-16页 |
| 2.2 本文物体姿态估计的基本思想 | 第16-19页 |
| 2.2.1 前提假设 | 第16-17页 |
| 2.2.2 研究问题的限定与简化 | 第17页 |
| 2.2.3 物体姿态估计过程描述 | 第17-19页 |
| 2.3 小结 | 第19-21页 |
| 第三章 流形学习算法的选择与设计 | 第21-37页 |
| 3.1 流形和流形学习 | 第21-22页 |
| 3.2 常用流形学习算法的选择 | 第22-32页 |
| 3.2.1 常用流形学习算法基本原理 | 第22-27页 |
| 3.2.2 流形学习算法的选择 | 第27-28页 |
| 3.2.3 流形学习算法特性验证 | 第28-32页 |
| 3.3 改进的Isomap算法设计 | 第32-35页 |
| 3.4 小结 | 第35-37页 |
| 第四章 低维流形维数估计 | 第37-43页 |
| 4.1 高维数据的低维流形维数 | 第37-38页 |
| 4.1.1 流形维数定义 | 第37页 |
| 4.1.2 高维数据本征维数 | 第37-38页 |
| 4.2 流形维数估计算法设计 | 第38-40页 |
| 4.2.1 流形维数估计的基本思想 | 第38页 |
| 4.2.2 局部主成分分析方法原理 | 第38-39页 |
| 4.2.3 流形维数估计算法设计 | 第39-40页 |
| 4.3 流形维数估计算法验证 | 第40-41页 |
| 4.4 小结 | 第41-43页 |
| 第五章 图像数据与流形映射关系的回归分析 | 第43-53页 |
| 5.1 支持向量回归分析算法设计 | 第43-49页 |
| 5.1.1 统计学习理论 | 第43-45页 |
| 5.1.2 最优分类超平面 | 第45页 |
| 5.1.3 支持向量回归 | 第45-48页 |
| 5.1.4 核函数 | 第48-49页 |
| 5.1.5 支持向量回归分析算法描述 | 第49页 |
| 5.2 人工神经网络回归算法设计 | 第49-51页 |
| 5.2.1 神经网络回归算法原理 | 第49-50页 |
| 5.2.2 神经网络回归分析算法设计步骤 | 第50-51页 |
| 5.3 回归模型验证 | 第51-52页 |
| 5.4 小结 | 第52-53页 |
| 第六章 实验结果及分析 | 第53-67页 |
| 6.1 基于学习的姿态估计方法实验步骤 | 第53页 |
| 6.2 三维模型数据库实验结果及分析 | 第53-61页 |
| 6.2.1 数据库简介 | 第53-54页 |
| 6.2.2 测试数据集选择 | 第54-56页 |
| 6.2.3 数据库数据实验结果 | 第56-61页 |
| 6.3 实拍图像实验结果及分析 | 第61-65页 |
| 6.3.1 实验图像采集 | 第61-62页 |
| 6.3.2 实拍图像实验结果 | 第62-65页 |
| 6.4 算法性能比较 | 第65页 |
| 6.5 小结 | 第65-67页 |
| 第七章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 硕士期间发表论文和参加科研情况 | 第73-75页 |
| 致谢 | 第75页 |
