雾霾条件下的单目机器人避障策略
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 图像测深 | 第11-13页 |
| 1.2.2 雾霾图像深度 | 第13-14页 |
| 1.2.3 机器人避障规划 | 第14-15页 |
| 1.3 论文主要内容及章节安排 | 第15-18页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 论文章节安排 | 第16-18页 |
| 第二章 相关理论基础 | 第18-32页 |
| 2.1 雾霾图像 | 第18-22页 |
| 2.1.1 雾霾成因 | 第18-19页 |
| 2.1.2 大气散射模型 | 第19-22页 |
| 2.2 深度信息 | 第22-28页 |
| 2.2.2 透射率的求解 | 第22-24页 |
| 2.2.3 导向滤波 | 第24-26页 |
| 2.2.4 大气光 | 第26-28页 |
| 2.3 图像融合 | 第28-31页 |
| 2.3.1 图像融合 | 第28-29页 |
| 2.3.2 泊松编辑 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于特征学习的深度补偿模型 | 第32-44页 |
| 3.1 强鲁棒大气光估计方法 | 第32-34页 |
| 3.1.1 大气光值估计 | 第32-33页 |
| 3.1.2 实验对比 | 第33-34页 |
| 3.2 深度信息获取 | 第34-37页 |
| 3.2.1 实验数据集 | 第34-35页 |
| 3.2.2 深度获取 | 第35-37页 |
| 3.3 误差补偿模型 | 第37-42页 |
| 3.3.1 基于泊松边缘融合的图像增强 | 第37-38页 |
| 3.3.2 模型建立 | 第38页 |
| 3.3.3 实验结果 | 第38-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 基于相机成像模型的避障策略 | 第44-54页 |
| 4.1 成像模型的建立 | 第44-47页 |
| 4.2 避障策略 | 第47-50页 |
| 4.2.1 障碍物检测 | 第47-49页 |
| 4.2.2 路径规划 | 第49-50页 |
| 4.3 避障实验结果 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 攻读学位期间发表的学术论文目录 | 第62页 |
