基于主动学习SVM的智能车辆障碍物检测
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-15页 |
| ·研究背景 | 第7-11页 |
| ·智能车辆的研究进展 | 第7-8页 |
| ·智能车辆的关键技术 | 第8-9页 |
| ·障碍物检测方法 | 第9-11页 |
| ·机器学习技术在智能车辆系统中的应用 | 第11-13页 |
| ·引入机器学习技术的优势和存在的问题 | 第11-12页 |
| ·机器学习技术主要研究的问题 | 第12-13页 |
| ·本文的主要研究内容 | 第13页 |
| ·本文的结构安排 | 第13-15页 |
| 2 环境感知图像的特征提取 | 第15-23页 |
| ·概述 | 第15页 |
| ·颜色特征 | 第15-17页 |
| ·颜色模型的选择 | 第16-17页 |
| ·颜色矩 | 第17页 |
| ·纹理特征 | 第17-21页 |
| ·彩色图像转灰度图像 | 第17-18页 |
| ·快速傅立叶变换 | 第18-19页 |
| ·基于频率的纹理特征提取 | 第19-21页 |
| ·数据的处理 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 3 基于传统支持向量机的障碍物检测 | 第23-43页 |
| ·统计学习理论 | 第23-25页 |
| ·支持向量机的基本原理 | 第25-33页 |
| ·线性可分 | 第25-27页 |
| ·线性不可分 | 第27-29页 |
| ·非线性空间 | 第29-30页 |
| ·核函数 | 第30-33页 |
| ·支持向量机训练算法的实现 | 第33-36页 |
| ·最优化理论 | 第33页 |
| ·序贯最小优化算法 | 第33-36页 |
| ·决策函数中的常数项 | 第36页 |
| ·基于传统支持向量机的障碍物检测实验 | 第36-42页 |
| ·实验描述 | 第36-38页 |
| ·参数选择实验 | 第38-39页 |
| ·实验结果与分析 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 4 基于主动学习SVM的障碍物检测 | 第43-54页 |
| ·主动学习简介 | 第43-44页 |
| ·基于后验概率的SVM | 第44-47页 |
| ·概率模型的确定 | 第44-46页 |
| ·基于最大熵估计的模型参数的确定 | 第46-47页 |
| ·基于SVM概率模型的主动学习方法 | 第47-48页 |
| ·基于主动学习SVM的障碍物检测实验 | 第48-53页 |
| ·实验描述 | 第48-50页 |
| ·实验结果与分析 | 第50-53页 |
| ·本章小结 | 第53-54页 |
| 5 总结 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
