| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 研究现状 | 第10-16页 |
| 1.2.1 GPU并行计算的研究现状 | 第10-12页 |
| 1.2.2 图像并行处理的发展状况 | 第12-15页 |
| 1.2.3 国内外文献综述的简析 | 第15-16页 |
| 1.3 主要研究内容 | 第16-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第2章 算法原理及技术介绍 | 第18-29页 |
| 2.1 引言 | 第18页 |
| 2.2 SIFT技术原理 | 第18-20页 |
| 2.2.1 基本SIFT特征提取原理 | 第18-19页 |
| 2.2.2 SIFT特征匹配 | 第19-20页 |
| 2.2.3 RANSAC算法提纯匹配点对 | 第20页 |
| 2.3 CAMSHIFT技术原理 | 第20-26页 |
| 2.3.1 MeanShift算法定义以及效率分析 | 第20-24页 |
| 2.3.2 Camshift跟踪器 | 第24-26页 |
| 2.4 并行优化技术原理 | 第26-28页 |
| 2.4.1 优化的常用思路 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 快速目标识别算法的设计与改进 | 第29-41页 |
| 3.1 引言 | 第29-30页 |
| 3.2 整体算法方案介绍 | 第30-34页 |
| 3.2.1 算法整体阐述 | 第30页 |
| 3.2.2 目标识别过程算法阐述 | 第30-33页 |
| 3.2.3 目标定位过程算法阐述 | 第33-34页 |
| 3.3 目标区域分割算法 | 第34-36页 |
| 3.4 SIFT特征匹配算法 | 第36-38页 |
| 3.4.1 SIFT特征算法实现流程 | 第36-37页 |
| 3.4.2 基于CUDA的SIFT特征匹配算法并行实现 | 第37-38页 |
| 3.5 CAMSHIFT跟踪算法 | 第38-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第4章 实验结果与分析 | 第41-54页 |
| 4.1 引言 | 第41页 |
| 4.2 实验平台简介 | 第41-44页 |
| 4.2.1 机器人平台 | 第41-42页 |
| 4.2.2 系统软件环境 | 第42-44页 |
| 4.2.3 系统硬件测试环境 | 第44页 |
| 4.3 快速区域分割与姿态估计实验 | 第44-49页 |
| 4.3.1 实际测试结果 | 第44-45页 |
| 4.3.2 目标姿态估计过程结果分析 | 第45-47页 |
| 4.3.3 主要耗时过程分析 | 第47-49页 |
| 4.4 基于SIFT的目标检测与姿态估计实验 | 第49-50页 |
| 4.5 改进的快速目标识别算法实验 | 第50-53页 |
| 4.6 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |