| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 课题研究意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.4 论文研究内容 | 第13页 |
| 1.5 论文结构安排 | 第13-15页 |
| 第2章 相关理论基础 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 深度图像及遮挡 | 第15-18页 |
| 2.2.1 深度图像及其获取 | 第15-16页 |
| 2.2.2 遮挡现象及其处理方式 | 第16-18页 |
| 2.3 下一最佳观测方位 | 第18-19页 |
| 2.4 机器学习算法 | 第19-23页 |
| 2.4.1 随机森林 | 第20-21页 |
| 2.4.2 K-means聚类 | 第21-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第3章 利用视觉目标遮挡和轮廓信息确定下一最佳观测方位 | 第25-33页 |
| 3.1 引言 | 第25页 |
| 3.2 方法总体思想 | 第25页 |
| 3.3 下一最佳观测方位确定方法 | 第25-31页 |
| 3.3.1 构建未知区域并计算各未知区域的中点 | 第25-26页 |
| 3.3.2 未知区域建模 | 第26-27页 |
| 3.3.3 计算小三角形的中点、法向量和面积 | 第27-30页 |
| 3.3.4 下一最佳观测方位问题转化 | 第30页 |
| 3.3.5 下一最佳观测方位函数优化求解 | 第30-31页 |
| 3.4 算法描述 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于无监督聚类的下一最佳观测方位确定方法 | 第33-40页 |
| 4.1 引言 | 第33页 |
| 4.2 方法总体思想 | 第33页 |
| 4.3 相关特征提取 | 第33-36页 |
| 4.3.1 中点特征 | 第33-34页 |
| 4.3.2 法向量离散度特征 | 第34-36页 |
| 4.4 下一最佳观测方位的确定 | 第36-38页 |
| 4.4.1 学习算法的选择 | 第36-37页 |
| 4.4.2 K-means算法的改进 | 第37-38页 |
| 4.5 算法描述 | 第38页 |
| 4.6 本章小结 | 第38-40页 |
| 第5章 实验与分析 | 第40-48页 |
| 5.1 实验环境及数据集 | 第40-41页 |
| 5.2 利用视觉目标遮挡和轮廓信息确定下一最佳观测方位的实验 | 第41-45页 |
| 5.2.1 所提方法的可视化结果 | 第41-42页 |
| 5.2.2 不同观测点计算方法对下一最佳观测方位影响的对比 | 第42-43页 |
| 5.2.3 不同下一最佳观测方位方法间的对比 | 第43-45页 |
| 5.3 基于无监督聚类的下一最佳观测方位确定方法的实验 | 第45-47页 |
| 5.3.1 所提方法的可视化结果 | 第45-46页 |
| 5.3.2 所提方法计算出的下一最佳观测方位量化结果 | 第46-47页 |
| 5.4 本章小结 | 第47-48页 |
| 结论 | 第48-50页 |
| 参考文献 | 第50-55页 |
| 攻读硕士学位期间承担的科研任务及主要成果 | 第55-56页 |
| 致谢 | 第56页 |
