服务机器人视觉追踪技术研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题研究背景 | 第8页 |
| 1.2 课题研究意义 | 第8-9页 |
| 1.3 研究现状 | 第9-13页 |
| 1.3.1 计算机视觉和机器人视觉 | 第9-10页 |
| 1.3.2 服务机器人 | 第10-12页 |
| 1.3.3 基于视觉的运动目标跟踪 | 第12-13页 |
| 1.4 研究难点 | 第13页 |
| 1.5 研究内容和章节安排 | 第13-15页 |
| 第2章 基于深度学习的目标检测与识别算法研究 | 第15-32页 |
| 2.1 目标检测的一般流程 | 第15-16页 |
| 2.2 RCNN系列算法分析 | 第16-27页 |
| 2.2.1 RCNN | 第16-20页 |
| 2.2.2 SPP-Net | 第20-22页 |
| 2.2.3 FastRCNN | 第22-24页 |
| 2.2.4 FasterRCNN | 第24-27页 |
| 2.3 SSD算法 | 第27-30页 |
| 2.3.1 SSD网络模型介绍 | 第27-28页 |
| 2.3.2 SSD网络训练流程 | 第28-29页 |
| 2.3.3 SSD网络实验结果 | 第29-30页 |
| 2.4 实验结果及对比分析 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 TLD目标跟踪算法研究 | 第32-57页 |
| 3.1 TLD跟踪算法总体介绍 | 第32-33页 |
| 3.2 跟踪器模块 | 第33-37页 |
| 3.2.1 前向后向误差检测 | 第33-34页 |
| 3.2.2 Lucas-Kanade光流法 | 第34-37页 |
| 3.3 改进的跟踪器模块 | 第37-43页 |
| 3.3.1 HOG特征 | 第38-39页 |
| 3.3.2 核相关滤波器跟踪器算法 | 第39-43页 |
| 3.4 检测器模块 | 第43-48页 |
| 3.4.1 方差分类器 | 第44页 |
| 3.4.2 随机蕨分类器 | 第44-47页 |
| 3.4.3 最近邻分类器 | 第47-48页 |
| 3.5 学习器模块 | 第48-49页 |
| 3.6 改进的TLD算法工作流程 | 第49-50页 |
| 3.7 跟踪算法评价指标 | 第50-51页 |
| 3.8 实验结果和对比分析 | 第51-55页 |
| 3.9 本章小结 | 第55-57页 |
| 第4章 视觉追踪机器人系统构建和实验 | 第57-67页 |
| 4.1 跟随实验平台 | 第57-61页 |
| 4.1.1 移动机器人介绍 | 第57-58页 |
| 4.1.2 Kinect介绍 | 第58-59页 |
| 4.1.3 双轮差速移动机器人运动建模 | 第59-61页 |
| 4.2 基于ROS的跟随系统程序设计 | 第61-64页 |
| 4.2.1 ROS的基本介绍 | 第61页 |
| 4.2.2 ROS系统架构 | 第61-62页 |
| 4.2.3 跟随系统设计步骤 | 第62-63页 |
| 4.2.4 系统节点状态图 | 第63-64页 |
| 4.3 跟随实验效果分析 | 第64-65页 |
| 4.4 Qt界面设计 | 第65-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第5章 总结与展望 | 第67-68页 |
| 5.1 本文工作总结 | 第67页 |
| 5.2 工作展望 | 第67-68页 |
| 参考文献 | 第68-70页 |
| 攻读学位期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71页 |
