摘要 | 第5-6页 |
Abstract | 第6页 |
第一章 绪论 | 第10-17页 |
1.1 课题研究背景与意义 | 第10-11页 |
1.2 研究现状 | 第11-14页 |
1.2.1 国内外研究现状 | 第11-12页 |
1.2.2 图像目标跟踪技术概述 | 第12-14页 |
1.2.3 图像目标跟踪难点 | 第14页 |
1.3 研究内容 | 第14-15页 |
1.4 课题来源 | 第15页 |
1.5 论文结构 | 第15-17页 |
第二章 基于视觉的云台目标跟踪系统的设计 | 第17-33页 |
2.1 目标跟踪系统的硬件组成 | 第17-20页 |
2.1.1 目标跟踪系统的完整硬件架构图 | 第17-18页 |
2.1.2 图像跟踪处理系统硬件组成 | 第18-19页 |
2.1.3 云台控制系统硬件组成 | 第19-20页 |
2.2 目标跟踪系统的软件设计 | 第20-32页 |
2.2.1 图像跟踪处理系统软件设计 | 第20-25页 |
2.2.2 PC端地面站介绍 | 第25-26页 |
2.2.3 云台控制系统的软件设计 | 第26-32页 |
2.3 本章小结 | 第32-33页 |
第三章 图像目标跟踪算法研究 | 第33-49页 |
3.1 图像目标跟踪算法的内容研究 | 第33-39页 |
3.1.1 图像目标跟踪算法的步骤 | 第33-34页 |
3.1.2 特征提取 | 第34-37页 |
3.1.3 相似性度量 | 第37-38页 |
3.1.4 跟踪策略 | 第38-39页 |
3.2 Camshift算法 | 第39-44页 |
3.2.1 Camshift算法的特征提取 | 第39-40页 |
3.2.2 Camshift算法的搜索策略和相似性度量 | 第40-42页 |
3.2.3 Camshift算法的窗口自适应调节 | 第42-44页 |
3.3 粒子滤波算法 | 第44-48页 |
3.3.1 粒子滤波的算法原理 | 第44-46页 |
3.3.2 粒子滤波的特征选择 | 第46-47页 |
3.3.3 粒子滤波搜索策略和相似性度量 | 第47-48页 |
3.4 本章小结 | 第48-49页 |
第四章 图像目标跟踪算法的设计与实现 | 第49-68页 |
4.1 图像目标跟踪算法需求分析 | 第49-51页 |
4.1.1 图像跟踪算法难点分析 | 第49页 |
4.1.2 本文设计的图像目标跟踪算法重点分析 | 第49-51页 |
4.2 Camshift和粒子滤波算法的实现和分析 | 第51-59页 |
4.2.1 改进Camshift算法具体实现 | 第51-52页 |
4.2.2 结合Meanshift的粒子滤波算法实现 | 第52-54页 |
4.2.3 Camshift和粒子滤波算法实验对比和分析 | 第54-59页 |
4.3 融合Camshift和粒子滤波算法的目标跟踪策略提出 | 第59-63页 |
4.3.1 误跟踪判别 | 第59-60页 |
4.3.2 本文目标跟踪算法 | 第60-61页 |
4.3.3 融合Camshift和粒子滤波算法的目标跟踪策略实验结果 | 第61-63页 |
4.4 基于图像传感器和姿态传感器的卡尔曼融合滤波 | 第63-67页 |
4.4.1 MPU6050角速度与目标图像速度关系 | 第63-64页 |
4.4.2 卡尔曼滤波原理 | 第64-66页 |
4.4.3 卡尔曼滤波的实现 | 第66-67页 |
4.5 本章小结 | 第67-68页 |
第五章 图像跟踪和云台控制系统联合调试 | 第68-82页 |
5.1 联合调试准备工作 | 第68-71页 |
5.1.1 图像跟踪系统与云台控制系统通信数据 | 第68页 |
5.1.2 上位机调试工具设计 | 第68-70页 |
5.1.3 目标运动轨迹设计 | 第70-71页 |
5.2 卡尔曼滤波预测的实验结果与对比 | 第71-75页 |
5.2.1 没有加入卡尔曼滤波的目标跟踪效果 | 第71-73页 |
5.2.2 加入卡尔曼滤波预测的目标跟踪效果 | 第73-75页 |
5.3 目标跟踪系统抗干扰性能分析 | 第75-77页 |
5.4 目标跟踪系统对快速运动目标跟踪的性能分析 | 第77-79页 |
5.5 目标跟踪系统效果演示 | 第79-81页 |
5.6 本章小结 | 第81-82页 |
结论与展望 | 第82-84页 |
参考文献 | 第84-88页 |
攻读硕士学位期间取得的研究成果 | 第88-89页 |
致谢 | 第89-90页 |
附表 | 第90页 |