| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 研究现状分析 | 第14-17页 |
| 1.2.1 四旋翼无人机研究现状 | 第14-15页 |
| 1.2.2 双目立体视觉技术研究现状 | 第15-16页 |
| 1.2.3 卷积神经网络的研究现状 | 第16-17页 |
| 1.3 研究工作 | 第17-18页 |
| 1.4 本文组织结构 | 第18-19页 |
| 第2章 相关理论研究 | 第19-29页 |
| 2.1 三维重构相关研究 | 第19-23页 |
| 2.1.1 小孔成像原理 | 第20-21页 |
| 2.1.2 双目立体视觉系统模型 | 第21页 |
| 2.1.3 视差及深度计算 | 第21-23页 |
| 2.2 卷积神经网络在物体识别方面的相关研究 | 第23-27页 |
| 2.2.1 卷积网络理论 | 第23-24页 |
| 2.2.2 卷积神经网络CNN的网络结构 | 第24-26页 |
| 2.2.3 卷积神经网络的相关运算 | 第26-27页 |
| 2.2.4 卷积神经网络CNN的训练 | 第27页 |
| 2.3 小结 | 第27-29页 |
| 第3章 三维重构系统的建立 | 第29-42页 |
| 3.1 相机参数的获取以及标定 | 第30-31页 |
| 3.2 特征提取算法 | 第31-35页 |
| 3.2.1 SURF算法介绍 | 第31-35页 |
| 3.3 特征匹配 | 第35-38页 |
| 3.4 三维立体重建 | 第38-41页 |
| 3.4.1 中值滤波算法 | 第39-41页 |
| 3.5 小结 | 第41-42页 |
| 第4章 基于CNN的物体识别系统 | 第42-49页 |
| 4.1 深度学习的嵌入式物体识别 | 第42-44页 |
| 4.2 端到端的识别检测系统YOLO | 第44-46页 |
| 4.3 嵌入式识别检测框架YOLO-enhance | 第46-48页 |
| 4.4 小结 | 第48-49页 |
| 第5章 实验及测试 | 第49-57页 |
| 5.1 硬件介绍 | 第49-52页 |
| 5.1.1 双目摄像头 | 第49-50页 |
| 5.1.2 处理器 | 第50-51页 |
| 5.1.3 飞行器 | 第51-52页 |
| 5.1.4 云台相机 | 第52页 |
| 5.2 实验环境搭建 | 第52-54页 |
| 5.2.1 三维重构实验环境的搭建 | 第52-54页 |
| 5.2.2 物体识别的环境配置 | 第54页 |
| 5.3 实验测试 | 第54-56页 |
| 5.4 小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读学位期间参加的科研项目 | 第64页 |