| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 研究发展综述 | 第11-17页 |
| 1.2.1 物体识别算法国内外研究现状 | 第11-15页 |
| 1.2.2 物体位姿估计国内外研究现状 | 第15-17页 |
| 1.3 本文研究内容 | 第17-18页 |
| 1.4 本文结构 | 第18-19页 |
| 第二章 融合颜色和纹理信息的积木识别 | 第19-39页 |
| 2.1 背景与概述 | 第19-20页 |
| 2.2 结合颜色描述和神经网络的积木颜色分类 | 第20-23页 |
| 2.2.1 颜色空间选择 | 第20-21页 |
| 2.2.2 BP神经网络学习算法与改进 | 第21-23页 |
| 2.3 积木纹理特征提取与姿态归一化 | 第23-27页 |
| 2.3.1 基于灰度共生矩阵的纹理描述 | 第24-25页 |
| 2.3.2 融入Tamura粗糙度的纹理描述与姿态归一化 | 第25-27页 |
| 2.4 基于非线性SVM的积木放置状态识别 | 第27-30页 |
| 2.4.1 非线性SVM与软间隔最大化 | 第27-30页 |
| 2.5 实验结果与分析 | 第30-37页 |
| 2.6 本章小结 | 第37-39页 |
| 第三章 基于组合特征和随机森林(Random Forest)的多类零件识别 | 第39-65页 |
| 3.1 背景与概述 | 第39-40页 |
| 3.2 算法框架 | 第40-41页 |
| 3.3 图像分割 | 第41-42页 |
| 3.4 组合特征表示 | 第42-50页 |
| 3.4.1 归一化颜色直方图定义 | 第43页 |
| 3.4.2 旋转不变局部二值模式 | 第43-45页 |
| 3.4.3 圆形率与长宽比定义 | 第45-47页 |
| 3.4.4 归一化Zernike矩计算 | 第47-50页 |
| 3.5 核主成分分析(Kernel PCA) | 第50-53页 |
| 3.6 Random Forest算法 | 第53-57页 |
| 3.6.1 决策树原理 | 第53-55页 |
| 3.6.2 Random Forest分类过程 | 第55-56页 |
| 3.6.3 利用袋外数据(Out-of-Bag)估计特征重要性 | 第56-57页 |
| 3.7 实验结果与分析 | 第57-64页 |
| 3.8 本章小结 | 第64-65页 |
| 第四章 零件位姿估计 | 第65-91页 |
| 4.1 背景与概述 | 第65-67页 |
| 4.2 基于单目视觉的零件位姿估计 | 第67-72页 |
| 4.2.1 相机成像模型 | 第67-69页 |
| 4.2.2 相机畸变模型 | 第69-70页 |
| 4.2.3 基于相机非线性成像模型的零件定位 | 第70-72页 |
| 4.3 基于最小面积矩形(MAR)的零件位姿估计 | 第72-75页 |
| 4.3.1 Grapham扫描法计算凸包 | 第72-74页 |
| 4.3.2 MAR算法估计零件位姿 | 第74-75页 |
| 4.4 基于双目立体视觉的零件位姿估计 | 第75-82页 |
| 4.4.1 双目立体视觉原理 | 第76-78页 |
| 4.4.2 体匹配与零件定位 | 第78-81页 |
| 4.4.3 基于概率Hough变换的零件位姿估计 | 第81-82页 |
| 4.5 实验结果与分析 | 第82-89页 |
| 4.6 本章小结 | 第89-91页 |
| 第五章 总结与展望 | 第91-95页 |
| 5.1 总结 | 第91-92页 |
| 5.2 展望 | 第92-95页 |
| 参考文献 | 第95-103页 |
| 作者简历 | 第103-105页 |
| 攻读学位期间取得的研究成果 | 第105页 |
