首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于机器视觉、机器听觉信息融合的普适目标跟踪

摘要第5-6页
abstract第6-7页
第1章 绪论第11-16页
    1.1 课题研究的背景和意义第11-12页
    1.2 国内外研究现状第12-14页
        1.2.1 声音定位和识别研究现状第12-13页
        1.2.2 视觉跟踪研究现状第13-14页
    1.3 论文的主要研究内容与章节安排第14-16页
第2章 声音信息和图像信息的预处理第16-26页
    2.1 声音信息和图像信息采集平台第16-19页
        2.1.1 Kinect彩色数据流第18页
        2.1.2 Kinect深度数据流第18-19页
        2.1.3 Kinect声音数据流第19页
    2.2 声音数据的预处理第19-23页
        2.2.1 预滤波处理第20页
        2.2.2 预加重处理第20页
        2.2.3 加窗分帧处理第20-21页
        2.2.4 语音活动检测第21-23页
    2.3 图像信息处理预备第23-25页
        2.3.1 图形学预处理介绍第23-24页
        2.3.2 图像滤波第24-25页
    2.4 本章小结第25-26页
第3章 声音信息的识别与定位第26-48页
    3.1 基于二进制的声音分类器第26-29页
    3.2 时延估计的方法第29-36页
        3.2.1 时延估计的物理意义第29页
        3.2.2 广义互相关函数时延估计方法第29-33页
        3.2.3 改进的互功率谱相位加权的广义互相关时延估计法第33-36页
    3.3 基于时延的位置估计方法第36-42页
        3.3.1 声源模型的建立第36-37页
        3.3.2 原始平面四元十字阵列第37-39页
        3.3.3 平面四元十字阵列的改进方法第39-42页
    3.4 阵列定位误差分析第42-47页
        3.4.1 远场模型第42-43页
        3.4.2 时延误差第43-45页
        3.4.3 拾音器位置第45-46页
        3.4.4 声速误差第46-47页
    3.5 本章小结第47-48页
第4章 基于融合Kalman滤波的Mean Shift图像信息的目标跟踪方法第48-63页
    4.1 Kalman滤波器理论第48-51页
        4.1.1 Kalman滤波状态空间描述第48-49页
        4.1.2 线性离散系统Kalman滤波方程第49-51页
    4.2 Mean Shift目标跟踪算法第51-57页
        4.2.1 Mean Shift理论第51-54页
        4.2.2 Mean Shift跟踪算法原理第54-56页
        4.2.3 Mean Shift跟踪算法实现步骤第56-57页
    4.3 融合Kalman滤波Mean Shift跟踪算法第57-62页
        4.3.1 基于Kalman滤波的运动目标建模第57-58页
        4.3.2 目标高速运动情况下的跟踪第58-60页
        4.3.3 目标严重遮挡情况下的跟踪第60-62页
    4.4 本章小结第62-63页
第5章 声音信息辅助的融合Kalman滤波的Mean Shift三维图像目标跟踪算法第63-70页
    5.1 目标声音信息提取第63-65页
    5.2 融合声音信息和图像信息算法流程第65-66页
    5.3 目标高速运动情况下的跟踪改进第66-67页
    5.4 目标严重遮挡情况下的跟踪改进第67-69页
    5.5 本章小结第69-70页
第6章 系统的设计与实践第70-81页
    6.1 基于机器视觉、机器听觉信息融合的普适目标跟踪系统的设计第70-74页
        6.1.1 移动机器人实验平台第70-71页
        6.1.2 声音系统定位平台设计与实现第71-72页
        6.1.3 图像视觉跟踪平台设计与实现第72-74页
    6.2 新型普适目标跟踪系统的系统测试第74-78页
        6.2.1 声音定位算法实验结果和实验分析第74-75页
        6.2.2 融合Kalman滤波的Mean Shift算法实验结果和实验分析第75-78页
    6.3 声音信息辅助融合Kalman滤波的Mean Shift算法第78-80页
    6.4 本章小结第80-81页
结论第81-82页
参考文献第82-85页
攻读硕士学位期间发表的论文和取得的科研成果第85-86页
致谢第86页

论文共86页,点击 下载论文
上一篇:基于橙领的产品推荐关键技术研究
下一篇:iOS系统下基于SVG的矢量WebECDIS的研究