基于单目视觉与RFID的室内移动机器人路径跟踪研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景及意义 | 第11页 |
| 1.2 国内外移动机器人研究现状 | 第11-12页 |
| 1.3 计算机视觉研究现状 | 第12-14页 |
| 1.4 本文的主要研究内容和结构安排 | 第14-17页 |
| 第2章 室内路径信息的分析与处理 | 第17-33页 |
| 2.1 图像预处理 | 第17-22页 |
| 2.1.1 图像的灰度化 | 第17-18页 |
| 2.1.2 图像的滤波 | 第18-20页 |
| 2.1.3 直方图均衡化 | 第20-22页 |
| 2.2 图像边缘检测算子分析 | 第22-24页 |
| 2.3 图像二值化 | 第24-27页 |
| 2.3.1 常用算法介绍 | 第24页 |
| 2.3.2 二值化处理算法 | 第24-26页 |
| 2.3.3 图像二值化效果分析 | 第26-27页 |
| 2.4 边缘修补 | 第27-30页 |
| 2.5 路径特征区域提取常用算法 | 第30-32页 |
| 2.5.1 基于阈值分割的道路区域提取 | 第30-31页 |
| 2.5.2 基于区域生长的道路区域提取 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 基于单目视觉的移动机器人跟踪算法 | 第33-45页 |
| 3.1 路径识别常用方法 | 第33-34页 |
| 3.1.1 基于车道线特征的识别方法 | 第33页 |
| 3.1.2 基于车道线模型的识别方法 | 第33-34页 |
| 3.2 单目视觉成像几何模型 | 第34-36页 |
| 3.3 卡尔曼滤波跟踪算法 | 第36-39页 |
| 3.3.1 移动机器人位置与角度偏差测量 | 第36-37页 |
| 3.3.2 卡尔曼滤波理论 | 第37-38页 |
| 3.3.3 移动机器人路径跟踪 | 第38-39页 |
| 3.4 多情况实验结果及分析 | 第39-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 RFID室内定位算法及粒子滤波 | 第45-57页 |
| 4.1 RFID系统构成和工作流程 | 第45-47页 |
| 4.2 常用的RFID定位算法 | 第47-50页 |
| 4.2.1 TOA与TDOA算法 | 第47-48页 |
| 4.2.2 AOA算法 | 第48-49页 |
| 4.2.3 RSSI算法 | 第49-50页 |
| 4.3 RFID接收信号强度测距算法 | 第50-51页 |
| 4.4 粒子滤波基本原理 | 第51-56页 |
| 4.4.1 贝叶斯滤波 | 第51-53页 |
| 4.4.2 蒙特卡洛基本原理 | 第53-54页 |
| 4.4.3 粒子滤波基本算法 | 第54-55页 |
| 4.4.4 粒子退化现象及重采样 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 改进粒子滤波的RFID移动机器人跟踪算法 | 第57-67页 |
| 5.1 粒子滤波重采样算法分析 | 第57-60页 |
| 5.1.1 重采样算法的理论分析 | 第57-58页 |
| 5.1.2 常用的重采样算法 | 第58-60页 |
| 5.2 改进粒子滤波的RFID移动机器人跟踪算法 | 第60-66页 |
| 5.2.1 一种改进的部分系统重采样算法 | 第60-62页 |
| 5.2.2 RFID室内跟踪系统模型的建立与分析 | 第62-64页 |
| 5.2.3 仿真结果与分析 | 第64-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 工作总结 | 第67页 |
| 6.2 工作展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
