| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第1章 绪论 | 第10-17页 |
| ·研究目的及意义 | 第10-11页 |
| ·国内外研究背景 | 第11-15页 |
| ·计算视觉理论的发展 | 第11-12页 |
| ·基于知识的视觉理论的发展 | 第12-14页 |
| ·主动视觉理论的建立 | 第14-15页 |
| ·主要工作 | 第15页 |
| ·结构安排 | 第15-17页 |
| 第2章 图像预处理 | 第17-27页 |
| ·图像兴趣区域分割 | 第17-20页 |
| ·室内识别场景假设 | 第17页 |
| ·基于Kinect的场景分割 | 第17-20页 |
| ·移动机器人常用视觉传感器 | 第17-18页 |
| ·Kinect传感器 | 第18-19页 |
| ·Kinect传感器深度场景分割原理 | 第19-20页 |
| ·图像复原 | 第20-25页 |
| ·基于非局部均值滤波的散斑噪声图像复原 | 第20-23页 |
| ·中值滤波 | 第20-21页 |
| ·Bilateral滤波 | 第21页 |
| ·NonLocalmeans滤波 | 第21-22页 |
| ·散斑噪声滤波测试 | 第22-23页 |
| ·基于Wiener滤波的运动模糊复原 | 第23-25页 |
| ·逆滤波 | 第23-24页 |
| ·Wiener滤波 | 第24页 |
| ·模糊复原测试 | 第24-25页 |
| ·本章小结 | 第25-27页 |
| 第3章 室内移动机器人物体识别算法 | 第27-44页 |
| ·算法主要流程 | 第27-28页 |
| ·特征检测 | 第28-31页 |
| ·Fast检测子 | 第29-30页 |
| ·基于重复率的关键点筛选 | 第30-31页 |
| ·基于随机蕨分类器的特征匹配 | 第31-35页 |
| ·半朴素贝叶斯分类思想 | 第32-33页 |
| ·分类器训练 | 第33-34页 |
| ·分类 | 第34-35页 |
| ·误匹配剔除方案 | 第35-41页 |
| ·匹配点邻域描述 | 第36-41页 |
| ·二进制描述符生成方式 | 第37-38页 |
| ·类感受野采样模式 | 第38-39页 |
| ·积分图像 | 第39-40页 |
| ·独立特征模式筛选 | 第40-41页 |
| ·Hamming距离度量 | 第41页 |
| ·物体识别 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 实验结果与比较 | 第44-61页 |
| ·鲁棒性测试 | 第45-50页 |
| ·Affine Covariant Features图像集选取 | 第45-46页 |
| ·鲁棒性测试方案 | 第46-47页 |
| ·鲁棒性测试结果及分析 | 第47-50页 |
| ·仿射变换测试 | 第47-48页 |
| ·图像模糊变化测试 | 第48页 |
| ·图像尺度缩放及旋转变换测试 | 第48-49页 |
| ·光照变化测试 | 第49-50页 |
| ·在线实时性测试 | 第50-55页 |
| ·ⅢA30图像集选取 | 第50-51页 |
| ·在线实时性测试方案 | 第51-52页 |
| ·在线实时性测试结果及分析 | 第52-55页 |
| ·实际室内物体识别模拟实验 | 第55-59页 |
| ·实验硬件配置与图像采集 | 第55-56页 |
| ·实验结果与分析 | 第56-59页 |
| ·本章小结 | 第59-61页 |
| 第5章 总结与展望 | 第61-64页 |
| ·总结 | 第61-62页 |
| ·展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-67页 |