| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题背景 | 第8页 |
| 1.2 国内外研究现状 | 第8-13页 |
| 1.2.1 传统的标定方法 | 第10-11页 |
| 1.2.2 摄像机自标定方法 | 第11-12页 |
| 1.2.3 相机标定关键技术研究现状 | 第12-13页 |
| 1.3 课题主要研究内容及章节安排 | 第13-14页 |
| 第2章 摄像机标定基础理论 | 第14-27页 |
| 2.1 引言 | 第14页 |
| 2.2 摄像机模型 | 第14-18页 |
| 2.2.1 坐标系 | 第14-16页 |
| 2.2.2 线性模型 | 第16-17页 |
| 2.2.3 非线性模型 | 第17-18页 |
| 2.3 传统摄像机标定方法 | 第18-21页 |
| 2.4 角点提取方法研究 | 第21-25页 |
| 2.4.1 DB 角点检测算法 | 第22-24页 |
| 2.4.2 DB 角点检测实验 | 第24-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 基于 BP 神经网络的摄像机标定方法 | 第27-44页 |
| 3.1 引言 | 第27页 |
| 3.2 人工神经网络 | 第27-30页 |
| 3.2.1 神网络概述 | 第27-28页 |
| 3.2.2 人工神经网络的基本结构 | 第28-30页 |
| 3.2.3 神经网络和摄像机标定的共性特征 | 第30页 |
| 3.3 BP 神经网络 | 第30-33页 |
| 3.3.1 BP 神经网络基本结构 | 第30-31页 |
| 3.3.2 BP 神经网络学习算法 | 第31-33页 |
| 3.4 基于 BP 神经网络的摄像机标定方法设计 | 第33-37页 |
| 3.5 仿真验证 | 第37-39页 |
| 3.6 验证实验 | 第39-43页 |
| 3.6.1 硬件系统 | 第39-40页 |
| 3.6.2 软件系统 | 第40-41页 |
| 3.6.3 相机标定实验 | 第41-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第4章 基于 Halcon 的单目视觉物体相对位姿测量 | 第44-54页 |
| 4.1 引言 | 第44页 |
| 4.2 单目视觉相对位姿测量基本理论 | 第44-47页 |
| 4.2.1 单目视觉原理 | 第44-45页 |
| 4.2.2 基于单目视觉的三维位姿测量 | 第45-47页 |
| 4.3 基于 Halcon 的物体三维位姿测量实验 | 第47-53页 |
| 4.3.1 测量系统 | 第47-49页 |
| 4.3.2 测量误差评估方法 | 第49-50页 |
| 4.3.3 测量实验 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表的学术论文 | 第58-60页 |
| 致谢 | 第60页 |