| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 课题背景 | 第10-11页 |
| 1.1.2 课题目的与意义 | 第11-12页 |
| 1.2 国内外现状 | 第12-14页 |
| 1.2.1 室内场景识别发展现状 | 第12-13页 |
| 1.2.2 云机器人发展现状 | 第13-14页 |
| 1.3 主要研究内容与章节安排 | 第14-18页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 章节安排 | 第15-18页 |
| 第2章 基于ROS与Openstack的机器人云计算系统 | 第18-30页 |
| 2.1 ROS机器人操作系统 | 第18-20页 |
| 2.1.1 ROS系统 | 第18-19页 |
| 2.1.2 iRobot机器人系统 | 第19-20页 |
| 2.2 基于Openstack的机器人云计算环境搭建 | 第20-26页 |
| 2.2.1 云计算特点 | 第20-21页 |
| 2.2.2 云计算架构 | 第21-22页 |
| 2.2.3 Openstack组件 | 第22-23页 |
| 2.2.4 机器人云计算实验环境搭建 | 第23-26页 |
| 2.3 机器人云计算系统的通信 | 第26-29页 |
| 2.3.1 基于ROS Topic的本地至云端通信 | 第26-27页 |
| 2.3.2 基于Rosbridge的云端至网页前端通信 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 室内二维场景图像识别算法研究 | 第30-46页 |
| 3.1 基于金字塔梯度方向直方图的特征提取 | 第30-34页 |
| 3.1.1 HOG算法 | 第30-31页 |
| 3.1.2 Canny边缘检测算法 | 第31-33页 |
| 3.1.3 PHOG算法 | 第33-34页 |
| 3.2 基于支持向量机的场景识别 | 第34-40页 |
| 3.2.1 支持向量机的理论研究 | 第34-38页 |
| 3.2.2 支持向量机分类算法研究 | 第38-40页 |
| 3.3 本地机器人系统实验 | 第40-44页 |
| 3.3.1 建立实验数据库 | 第40-42页 |
| 3.3.2 识别实验 | 第42-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第4章 室内三维场景图像识别算法研究 | 第46-58页 |
| 4.1 Kinect深度信息数据修复 | 第46-49页 |
| 4.1.1 OpenNI简介 | 第46-47页 |
| 4.1.2 Kinect深度数据处理 | 第47-49页 |
| 4.2 基于方向点与几何哈希法的三维场景识别 | 第49-57页 |
| 4.2.1 方向点与几何哈希 | 第49-53页 |
| 4.2.2 计算迭代次数 | 第53页 |
| 4.2.3 三维场景识别算法 | 第53-56页 |
| 4.2.4 算法实验可行性分析 | 第56-57页 |
| 4.3 本章小结 | 第57-58页 |
| 第5章 基于云计算的三维场景识别实验分析 | 第58-72页 |
| 5.1 二维场景识别算法云端实现 | 第58-66页 |
| 5.1.1 云端识别的实现 | 第58-64页 |
| 5.1.2 实验结果分析 | 第64-66页 |
| 5.2 三维场景识别算法的云端实现 | 第66-69页 |
| 5.2.1 云端识别的实现 | 第67-68页 |
| 5.2.2 实验结果分析 | 第68-69页 |
| 5.3 OpenGL显示三维场景点云实验 | 第69-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78页 |
