| 第一章 绪论 | 第1-15页 |
| 1．1 光学模式识别简介 | 第10-11页 |
| 1．2 光学模式识别的的发展现状 | 第11-12页 |
| 1．3 课题提出的背景 | 第12-13页 |
| 1．4 论文的主要内容 | 第13-15页 |
| 第二章 光学相关模式识别原理 | 第15-22页 |
| 2．1 光学相关基本原理 | 第15页 |
| 2．2 光学相关识别的两种基本结构 | 第15-19页 |
| 2．2．1 匹配滤波相关识别 | 第16-17页 |
| 2．2．2 联合变换相关识别 | 第17-19页 |
| 2．3 常用的畸变不变性光学识别方法 | 第19-22页 |
| 2．3．1 尺度不变 | 第19-21页 |
| 2．3．2 旋转不变 | 第21-22页 |
| 第三章 基于结构光编码的三维物体识别 | 第22-29页 |
| 3．1 基于结构光编码的傅立叶变换轮廓术 | 第22-24页 |
| 3．2 基于结构光编码和匹配滤波的三维物体识别原理 | 第24-29页 |
| 3．2．1 识别原理 | 第24-26页 |
| 3．2．2 平移不变性的研究 | 第26-27页 |
| 3．2．3 实验结果 | 第27-29页 |
| 第四章 基于结构光编码和多通道滤波器的旋转不变三维物体识别 | 第29-43页 |
| 4．1 系统原理 | 第29-32页 |
| 4．1．1 通过结构照明对高度信息进行编码 | 第29-30页 |
| 4．1．2 纯相位相关滤波器 | 第30页 |
| 4．1．3 多通道纯相位匹配滤波器的合成 | 第30-31页 |
| 4．1．4 计算流程图 | 第31-32页 |
| 4．2 实验过程及分析 | 第32-43页 |
| 4．2．1 结构光编码系统简介 | 第32-33页 |
| 4．2．2 计算机模拟实验结果与讨论 | 第33-38页 |
| 4．2．3 实测实验 | 第38-43页 |
| 第五章 基于结构光编码和神经网络的多目标三维物体识别 | 第43-50页 |
| 5．1 B-P神经网络简介 | 第43-47页 |
| 5．1．1 B-P网络模型结构 | 第43页 |
| 5．1．2 B-P算法的数学描述 | 第43-46页 |
| 5．1．3 B-P网络中的神经元模型 | 第46页 |
| 5．1．4 B-P网络的训练过程 | 第46-47页 |
| 5．2 实验过程及分析 | 第47-50页 |
| 5．2．1 特征提取 | 第47-48页 |
| 5．2．2 特征压缩 | 第48页 |
| 5．2．3 网络结构设计 | 第48页 |
| 5．2．4 网络训练与测试 | 第48-49页 |
| 5．2．5 结论 | 第49-50页 |
| 第六章 结论与展望 | 第50-52页 |
| 6．1 结论 | 第50页 |
| 6．2 展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 论文工作期间发表的学术论文 | 第56-57页 |
| 独创性申明 | 第57-58页 |
| 学位论文版权使用授权书 | 第58-59页 |
| 致谢 | 第59页 |
