| 表目录 | 第1-8页 |
| 图目录 | 第8-10页 |
| 摘要 | 第10-11页 |
| Abstract | 第11-13页 |
| 第一章 绪论 | 第13-23页 |
| ·课题应用背景 | 第13-14页 |
| ·国内外研究现状 | 第14-19页 |
| ·移动机器人避障研究现状 | 第14-17页 |
| ·运动目标检测研究现状 | 第17-18页 |
| ·运动目标跟踪研究现状 | 第18-19页 |
| ·课题技术背景 | 第19-22页 |
| ·FPGA 概述 | 第19-20页 |
| ·OpenCV 概述 | 第20-22页 |
| ·论文结构 | 第22-23页 |
| 第二章 避障算法研究与硬件加速器设计 | 第23-38页 |
| ·反向传播神经网络 | 第23-29页 |
| ·BP 神经网络简介 | 第23-28页 |
| ·基于 BP 神经网络的避障算法 | 第28-29页 |
| ·BP 神经网络训练方式 | 第29-31页 |
| ·BP 神经网络训练方式的改进 | 第29-30页 |
| ·算法特征分析 | 第30-31页 |
| ·BP 神经网络算法加速器设计 | 第31-35页 |
| ·体系结构设计 | 第31-32页 |
| ·BP-NN 整体结构设计 | 第32-33页 |
| ·硬件实现细节 | 第33-35页 |
| ·性能分析 | 第35-37页 |
| ·机器人避障简化模型 | 第35-36页 |
| ·实验环境 | 第36页 |
| ·综合结果分析 | 第36页 |
| ·性能对比 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第三章 运动目标检测算法加速器关键技术研究 | 第38-50页 |
| ·光流算法介绍 | 第38-40页 |
| ·光流与光流场 | 第38-39页 |
| ·光流法研究现状 | 第39-40页 |
| ·L-K 光流法 | 第40-42页 |
| ·光流约束方程 | 第40页 |
| ·L-K 光流算法简介 | 第40-41页 |
| ·L-K 光流算法特点分析 | 第41-42页 |
| ·滑动窗口的 L-K 光流法硬件设计 | 第42-46页 |
| ·整体结构设计 | 第42-44页 |
| ·硬件实现细节 | 第44-46页 |
| ·性能分析 | 第46-49页 |
| ·实验平台 | 第46页 |
| ·综合结果分析 | 第46-47页 |
| ·性能对比 | 第47页 |
| ·实验效果 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 基于 Kalman 滤波的自动跟踪算法 | 第50-69页 |
| ·目标跟踪基础理论 | 第50-55页 |
| ·目标特征选择与描述 | 第50-53页 |
| ·MeanShift 算法 | 第53-55页 |
| ·基于颜色特征的 CamShift 算法 | 第55-58页 |
| ·颜色特征的表示 | 第55-56页 |
| ·颜色特征的匹配 | 第56页 |
| ·基于颜色特征的 MeanShift 实现算法 | 第56-57页 |
| ·基于颜色特征的 CamShift 算法实现 | 第57-58页 |
| ·Kalman 滤波算法简介 | 第58-61页 |
| ·Kalman 滤波状态方程 | 第59页 |
| ·Kalman 滤波算法原理 | 第59-60页 |
| ·Kalman 滤波器工作原理 | 第60-61页 |
| ·基于 CamShift 算法与 Kalman 滤波的目标跟踪算法 | 第61-68页 |
| ·结合 CamShift 算法与 Kalman 滤波的跟踪算法 | 第61-62页 |
| ·加入机器人运动参数的 Kalman 滤波器 | 第62-63页 |
| ·加入光流信息的 Kalman 滤波器 | 第63-65页 |
| ·实验平台与实验结果 | 第65-68页 |
| ·本章小结 | 第68-69页 |
| 第五章 结束语 | 第69-71页 |
| ·工作总结 | 第69页 |
| ·研究展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 作者在学期间取得的学术成果 | 第77页 |