基于OpenCV和CNN的双目测距系统研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 课题研究的背景及意义 | 第7-8页 |
| 1.2 双目立体视觉的国内外研究现状 | 第8页 |
| 1.3 立体匹配的国内外研究现状 | 第8页 |
| 1.4 本文主要研究内容和结构安排 | 第8-11页 |
| 1.4.1 双目测距的原理 | 第9-10页 |
| 1.4.2 本文使用的软硬件配置 | 第10-11页 |
| 第2章 摄像机标定 | 第11-17页 |
| 2.1 摄像机成像模型 | 第11-13页 |
| 2.1.1 参考坐标系 | 第11-12页 |
| 2.1.2 针孔投影模型 | 第12-13页 |
| 2.1.3 畸变模型 | 第13页 |
| 2.2 基于OpenCV摄像机标定 | 第13-16页 |
| 2.3 标定结果与分析 | 第16页 |
| 2.4 本章小结 | 第16-17页 |
| 第3章 图像预处理与构建立体匹配数据集 | 第17-24页 |
| 3.1 图像的预处理 | 第17-20页 |
| 3.1.1 对极几何 | 第17-18页 |
| 3.1.2 图像校正 | 第18-20页 |
| 3.2 数据集的构建 | 第20-23页 |
| 3.2.1 数据集的扩大 | 第21-23页 |
| 3.3 本章小结 | 第23-24页 |
| 第4章 立体匹配 | 第24-30页 |
| 4.1 立体匹配算法 | 第24页 |
| 4.2 基于CNN的立体匹配代价算法 | 第24-29页 |
| 4.2.1 卷积神经网络背景 | 第24-25页 |
| 4.2.2 卷积神经网络立体匹配的架构 | 第25-29页 |
| 4.2.3 匹配代价的计算 | 第29页 |
| 4.3 本章小结 | 第29-30页 |
| 第5章 三维重建与生成视差图并获取距离信息 | 第30-39页 |
| 5.1 视差图的生成 | 第30-32页 |
| 5.1.1 卷积神经网络的方法生成视差图 | 第30页 |
| 5.1.2 生成视差图的实验结果的对比 | 第30-32页 |
| 5.2 视差的优化 | 第32-35页 |
| 5.2.1 视差优化的方法 | 第32-35页 |
| 5.3 三维重建和生成三位点云 | 第35-36页 |
| 5.4 距离信息的获取 | 第36-38页 |
| 5.5 本章小结 | 第38-39页 |
| 第6章 总结与展望 | 第39-40页 |
| 参考文献 | 第40-44页 |
| 在读期间发表的学术论文及研究成果 | 第44-45页 |
| 致谢 | 第45页 |
