| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究的背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 图像分割的研究现状 | 第9-10页 |
| 1.2.2 物体识别的研究现状 | 第10-11页 |
| 1.3 物体识别的难点 | 第11-12页 |
| 1.4 主要的工作及安排 | 第12-13页 |
| 2 KINECT 深度图像的预处理 | 第13-29页 |
| 2.1 KINECT 的简单介绍及数据集 | 第13-17页 |
| 2.1.1 Kinect 摄像机的简单介绍 | 第13-15页 |
| 2.1.2 华盛顿大学的 RGB-D 数据集 | 第15-17页 |
| 2.2 KINECT 深度图像成像的原理 | 第17-20页 |
| 2.2.1 激光散斑的原理 | 第18-19页 |
| 2.2.2 深度值的获取 | 第19-20页 |
| 2.3 KINECT 深度数据的误差及产生原因的分析 | 第20-23页 |
| 2.3.1 深度图像中的空洞产生的原因 | 第22页 |
| 2.3.2 深度图像中物体边缘毛刺产生的原因 | 第22-23页 |
| 2.4 KINECT 深度数据的预处理算法 | 第23-27页 |
| 2.4.1 空洞的修复 | 第23-25页 |
| 2.4.2 对边缘进行平滑处理 | 第25-27页 |
| 2.5 实验结果及分析 | 第27-29页 |
| 3 物体分割算法的研究 | 第29-41页 |
| 3.1 图像分割算法的分类 | 第29-31页 |
| 3.1.1 基于区域的图像分割方法 | 第29-30页 |
| 3.1.2 基于边缘的图像分割 | 第30-31页 |
| 3.2 本文实现的深度图像物体分割算法 | 第31-39页 |
| 3.2.1 深度图像的区域增长算法 | 第31-35页 |
| 3.2.2 对区域增长分割后图像的修正算法 | 第35-39页 |
| 3.3 实验结果及分析 | 第39-41页 |
| 4 物体识别算法的研究 | 第41-54页 |
| 4.1 物体识别的理论基础 | 第41-42页 |
| 4.2 物体特征的提取 | 第42-49页 |
| 4.2.1 物体彩色图像颜色特征的提取 | 第42-46页 |
| 4.2.2 物体深度图像的特征提取 | 第46-49页 |
| 4.3 融合彩色信息和深度信息的物体识别 | 第49-50页 |
| 4.4 实验结果及分析 | 第50-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 全文总结 | 第54页 |
| 5.2 工作展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录 | 第60页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第60页 |