| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 前言 | 第8-16页 |
| 1.1 课题的研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要研究内容 | 第11-12页 |
| 1.4 技术路线 | 第12-14页 |
| 1.5 论文结构安排 | 第14页 |
| 1.6 本章小结 | 第14-16页 |
| 2 基于混合可变形部件模型的挖掘机检测 | 第16-33页 |
| 2.1 基于梯度方向直方图的特征表示 | 第16-19页 |
| 2.1.1 梯度方向直方图 | 第16-19页 |
| 2.1.2 直方图特征金字塔 | 第19页 |
| 2.2 挖掘机检测模型 | 第19-21页 |
| 2.3 挖掘机模型的检测 | 第21-22页 |
| 2.4 挖掘机模型的训练 | 第22-24页 |
| 2.4.1 隐支持向量机 | 第22页 |
| 2.4.2 模型的训练过程 | 第22-24页 |
| 2.5 实验 | 第24-32页 |
| 2.5.1 实验素材的准备 | 第24-26页 |
| 2.5.2 可变形部件模型（DPM）部件滤波器个数的实验与分析 | 第26-27页 |
| 2.5.3 混合可变形部件模型包含DPM个数的实验与分析 | 第27-28页 |
| 2.5.4 挖掘机检测模型参数调优 | 第28-31页 |
| 2.5.5 挖掘机检测对比实验 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 3 基于混合LBF模型的挖掘机形状回归 | 第33-44页 |
| 3.1 局部二值特征(LBF，Local Binary Features) | 第34-36页 |
| 3.1.1 随机森林 | 第34-35页 |
| 3.1.2 局部二值特征 | 第35-36页 |
| 3.2 全局形状的线性回归 | 第36-37页 |
| 3.2.1 回归学习 | 第36-37页 |
| 3.2.2 全局回归模型 | 第37页 |
| 3.3 混合LBF模型 | 第37-38页 |
| 3.4 混合LBF模型的训练和预测过程 | 第38-39页 |
| 3.5 实验 | 第39-43页 |
| 3.5.1 基于LBF模型的形状回归实验 | 第39-41页 |
| 3.5.2 基于混合LBF模型的形状回归实验 | 第41-43页 |
| 3.6 总结 | 第43-44页 |
| 4 基于支持向量机的挖掘机运动状态识别 | 第44-57页 |
| 4.1 挖掘机运动状态的分析 | 第44-48页 |
| 4.1.1 姿态变化分析 | 第44-47页 |
| 4.1.2 运动状态分析 | 第47-48页 |
| 4.2 挖掘机运动状态特征描述子的设计 | 第48-49页 |
| 4.3 挖掘机运动状态识别分类器的构建 | 第49-52页 |
| 4.3.1 支持向量机 | 第49-51页 |
| 4.3.2 挖掘机运动状态识别分类器 | 第51-52页 |
| 4.4 实验 | 第52-56页 |
| 4.4.1 实验素材的准备 | 第52-53页 |
| 4.4.2 实验结果与分析 | 第53-56页 |
| 4.5 总结 | 第56-57页 |
| 5 挖掘机运动状态分析与识别系统的设计与实现 | 第57-64页 |
| 5.1 系统的运行环境简介 | 第57-58页 |
| 5.1.1 硬件环境 | 第57-58页 |
| 5.1.2 软件环境 | 第58页 |
| 5.2 系统模块的设计与实现 | 第58-63页 |
| 5.2.1 系统功能模块的设计与实现 | 第58-59页 |
| 5.2.2 系统展示 | 第59-63页 |
| 5.3 本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录 | 第70页 |
