声明
摘要
1 绪论
1.1 本文研究的背景与意义
1.2 智能汽车国内外研究现状
1.2.1 美国智能车辆发展及现状
1.2.2 欧洲智能车辆发展及现状
1.2.3 亚洲智能车辆发展及现状
1.2.4 我国智能车辆发展及现状
1.3 路表识别研究现状
1.4 与本文相关的前期工作
1.4.1 采集图像数据
1.4.2 标记图像
1.4.3 建立地表纹理数据库
1.5 本文研究的内容和结构安排
2 地表纹理多特征提取方法
2.1 颜色特征
2.2 LBP特征
2.3 SIFT特征
2.3.1 构建尺度空间
2.3.2 尺度空间极值点检测
2.3.3 为特征点分配方向值
2.3.4 生成特征描述子
2.4 实验结果
2.5 本章小结
3 基于SVM的地表分类算法
3.1 SVM算法
3.2 利用集成学习思想提高SVM分类性能的研究(KNN-SVM)
3.2.1 集成学习方法
3.2.2 KNN分类器
3.2.3 KNN-SVM算法
3.3 基于混合核函数的SⅥ垤
3.3.1 核函数
3.3.2 核函数支持向量机
3.3.3 混合核函数
3.3.4 混合核函数参数评价指标
3.4 实验结果
3.5 本章小结
4 基于随机森林的地表分类算法
4.1 决策树
4.1.1 CLS算法
4.1.2 ID3算法
4.1.3 C4.5算法
4.1.4 CART算法
4.2 随机森林
4.2.1 随机森林的随机性
4.2.2 随机森林算法示意图
4.2.3 随机森林的性能指标
4.3 基于分类间隔的随机森林
4.3.1 分类间隔研究简述
4.3.2 基于分类间隔的随机森林
4.4 实验结果
4.5 本章小结
5 基于多通道卷积神经网络的非结构化道路路表分析
5.1 卷积神经网络简介
5.2 基于多通道的卷积神经网络
5.2.1 反向传播算法(BP算法)在多通道卷积神经网络中的应用
5.2.2 多通道卷积神经网络模型
5.2.3 多通道卷积神经网络训练算法
5.3 实验结果
5.3.1 实验参数设定
5.3.2 实验结果
5.4 本章小结
6 总结与展望
致谢
参考文献
攻读硕士学位期间发表的论文和出版著作的情况
攻读硕士学位期间参与的科研项目