| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究的目的和意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-16页 |
| 1.3.1 国内外医院服务机器人发展现状 | 第10-13页 |
| 1.3.2 国内外导航避障技术研究现状 | 第13-15页 |
| 1.3.3 ROS简介及其机器人避障算法研究现状 | 第15-16页 |
| 1.4 本文主要研究内容 | 第16-17页 |
| 第二章 动态环境避障策略 | 第17-29页 |
| 2.1 避障算法问题分析 | 第17页 |
| 2.2 移动机器人坐标系建立 | 第17-18页 |
| 2.3 交互多模型算法与障碍物运动模型 | 第18-24页 |
| 2.3.1 障碍物基本运动模型 | 第18-20页 |
| 2.3.2 交互多模型(IMM)算法 | 第20-24页 |
| 2.4 基于运动预测的路径规划 | 第24-28页 |
| 2.4.1 移动机器人路径规划区域划分 | 第24-25页 |
| 2.4.2 基于改进人工势场法的局部路径规划 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 人体识别算法 | 第29-42页 |
| 3.1 人体识别问题分析 | 第29-30页 |
| 3.2 点云图像获取 | 第30-31页 |
| 3.3 点云可能区域划分 | 第31-37页 |
| 3.3.1 点云数据的预处理 | 第31-32页 |
| 3.3.2 基于密度的聚类算法 | 第32-35页 |
| 3.3.3 深度图像可能性区域提取 | 第35-37页 |
| 3.4 RGB-D图像人体识别 | 第37-40页 |
| 3.4.1 RGB图像SVM-HOG人体识别 | 第37-38页 |
| 3.4.2 基于可能性区域的人体识别 | 第38-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于ONLINE BOOSTING目标跟踪 | 第42-53页 |
| 4.1 目标跟踪算法问题分析 | 第42-43页 |
| 4.2 HAAR-LIKE特征的选取 | 第43-46页 |
| 4.2.1 Haar-like特征 | 第43-44页 |
| 4.2.2 颜色空间选定 | 第44-46页 |
| 4.3 ONLINE BOOSTING算法 | 第46-50页 |
| 4.3.1 Boosting算法 | 第46-47页 |
| 4.3.2 Online Boosting算法介绍 | 第47-50页 |
| 4.4 多目标跟踪匹配算法 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 移动机器人避障实验 | 第53-60页 |
| 5.1 引言 | 第53页 |
| 5.2 实验平台简介 | 第53-55页 |
| 5.3 仿真结果 | 第55-57页 |
| 5.4 PATROLBOT真实环境算法验证 | 第57-59页 |
| 5.5 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-68页 |
| 简历 | 第68页 |