| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景和意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-16页 |
| 1.3.1 深度学习目标识别算法国内外研究现状 | 第11-14页 |
| 1.3.2 机器人视觉国内外研究现状 | 第14-16页 |
| 1.4 本文论文结构 | 第16-18页 |
| 第2章 基于深度学习目标识别算法的优化 | 第18-48页 |
| 2.1 深度学习算法结构 | 第18-23页 |
| 2.1.1 损失函数定义 | 第18-19页 |
| 2.1.2 卷积神经网络结构 | 第19-23页 |
| 2.2 神经网络优化方法 | 第23-28页 |
| 2.2.1 反向传播算法和梯度下降算法 | 第23-26页 |
| 2.2.2 学习率设置 | 第26-27页 |
| 2.2.3 正则化方法 | 第27-28页 |
| 2.3 Faster R-CNN目标识别算法模型研究 | 第28-32页 |
| 2.3.1 卷积神经网络特征提取 | 第28-29页 |
| 2.3.2 区域建议网络 | 第29-31页 |
| 2.3.3 RoI池化层 | 第31页 |
| 2.3.4 分类与回归 | 第31-32页 |
| 2.4 基于Faster R-CNN目标识别算法模型的改进 | 第32-35页 |
| 2.4.1 改进卷积神经网络特征提取 | 第32-35页 |
| 2.4.2 改进区域建议网络 | 第35页 |
| 2.5 基于TensorFlow的深度学习目标识别实验平台搭建 | 第35-39页 |
| 2.5.1 TensorFlow框架概述 | 第35-36页 |
| 2.5.2 TensorFlow深度学习框架特性 | 第36-37页 |
| 2.5.3 深度学习目标识别实验软硬件配置 | 第37页 |
| 2.5.4 本地TensorFlow实验环境安装流程 | 第37-38页 |
| 2.5.5 谷歌云平台环境配置 | 第38-39页 |
| 2.6 PASCAL VOC实验 | 第39-46页 |
| 2.6.1 PASCAL VOC数据集下载与预处理 | 第39-41页 |
| 2.6.2 改进的Faster R-CNN目标识别模型配置与实验步骤 | 第41-42页 |
| 2.6.3 实验结果与分析 | 第42-46页 |
| 2.7 本章小结 | 第46-48页 |
| 第3章 NAO机器人单目摄像头测距算法研究 | 第48-63页 |
| 3.1 NAO机器人简介 | 第48-51页 |
| 3.1.1 NAO机器人平台简介 | 第48-49页 |
| 3.1.2 NAO机器人视觉系统 | 第49-50页 |
| 3.1.3 软件开发环境配置 | 第50-51页 |
| 3.2 摄像机标定 | 第51-56页 |
| 3.2.1 摄像头标定的基本方法 | 第51-52页 |
| 3.2.2 坐标系变换 | 第52-55页 |
| 3.2.3 针孔摄像头模型 | 第55-56页 |
| 3.3 NAO机器人单目测距模型 | 第56-60页 |
| 3.4 NAO机器人单目测距实验结果与分析 | 第60-61页 |
| 3.5 本章小结 | 第61-63页 |
| 第4章 NAO机器人目标识别与跟踪系统实现 | 第63-69页 |
| 4.1 NAO机器人目标识别与跟踪策略与技术研究 | 第63-64页 |
| 4.2 NAO机器人图像预处理 | 第64-65页 |
| 4.3 目标识别与单目测距模型封装 | 第65页 |
| 4.4 系统实现 | 第65-66页 |
| 4.5 系统实验与结果分析 | 第66-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第5章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69-70页 |
| 5.2 展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间的科研成果 | 第75页 |
