| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 障碍物检测 | 第12-13页 |
| 1.2.2 深度估计 | 第13-15页 |
| 1.2.3 点云去噪平滑 | 第15-16页 |
| 1.3 本文主要研究工作 | 第16-17页 |
| 1.4 论文章节安排 | 第17-19页 |
| 第二章 天线障碍检测 | 第19-29页 |
| 2.1 纹理提取与去噪 | 第19-22页 |
| 2.2 图像分割 | 第22-23页 |
| 2.2.1 霍夫直线检测 | 第22-23页 |
| 2.2.2 连通区域检测 | 第23页 |
| 2.3 直方图统计 | 第23-25页 |
| 2.4 静态立体视觉深度约束 | 第25-26页 |
| 2.5 天线生长 | 第26页 |
| 2.6 天线检测实验与结果 | 第26-28页 |
| 2.7 本章小节 | 第28-29页 |
| 第三章 天线障碍帧间匹配 | 第29-42页 |
| 3.1 相机的模型 | 第29-31页 |
| 3.2 极线约束 | 第31页 |
| 3.3 相似性匹配代价 | 第31-34页 |
| 3.3.1 基于像素点的匹配代价 | 第32页 |
| 3.3.2 基于窗口的匹配代价 | 第32-34页 |
| 3.4 相机的运动与天线匹配 | 第34-37页 |
| 3.4.1 相机的位姿估计 | 第34页 |
| 3.4.2 仿射变换 | 第34-36页 |
| 3.4.3 天线匹配 | 第36-37页 |
| 3.5 匹配实验与结果 | 第37-41页 |
| 3.5.1 代价函数的区分度 | 第37-39页 |
| 3.5.2 代价函数的时间复杂度 | 第39页 |
| 3.5.3 代价的有效匹配率以及有效匹配的精度 | 第39-40页 |
| 3.5.4 描述窗口大小对匹配精度的影响 | 第40-41页 |
| 3.5.5 帧间匹配效果 | 第41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 基于概率的天线障碍深度估计 | 第42-63页 |
| 4.1 三角测量恢复深度 | 第42-44页 |
| 4.2 单次匹配的不确定性模型 | 第44-47页 |
| 4.2.1 几何不确定性模型 | 第44-46页 |
| 4.2.2 光学不确定性模型 | 第46-47页 |
| 4.2.3 总不确定性模型 | 第47页 |
| 4.3 基于概率的深度数据融合 | 第47-57页 |
| 4.3.1 基于卡尔曼滤波的深度数据融合 | 第47-50页 |
| 4.3.2 基于贝叶斯估计的深度数据融合 | 第50-53页 |
| 4.3.3 深度融合算法实验仿真 | 第53-57页 |
| 4.4 深度正向传播 | 第57-58页 |
| 4.5 天线点云去噪与平滑 | 第58-59页 |
| 4.6 深度求取实验与结果 | 第59-62页 |
| 4.6.1 本文方法天线深度求取结果与静态立体视觉对比 | 第59-61页 |
| 4.6.2 深度收敛速度与收敛精度分析 | 第61-62页 |
| 4.7 本章小结 | 第62-63页 |
| 第五章 半稠密点云获取与去噪平滑 | 第63-76页 |
| 5.1 半稠密点云的获取 | 第63-66页 |
| 5.1.1 匹配代价计算 | 第64页 |
| 5.1.2 匹配代价优化 | 第64-66页 |
| 5.1.3 视差计算与点云获取 | 第66页 |
| 5.2 去噪算法的研究 | 第66-72页 |
| 5.2.1 基于密度聚类的点云去噪算法 | 第66-69页 |
| 5.2.2 基于深度图连通域检测的去噪算法 | 第69-70页 |
| 5.2.3 自适应去噪阈值求取 | 第70-72页 |
| 5.3 双边滤波平滑点云 | 第72页 |
| 5.4 去噪和平滑算法实验分析 | 第72-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 本文工作总结 | 第76-77页 |
| 6.2 展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-83页 |
| 攻读学位期间发表的学术论文目录 | 第83页 |