| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-16页 |
| 1.1.1 AGV视觉导引技术现状 | 第13-15页 |
| 1.1.2 本课题研究的意义 | 第15-16页 |
| 1.2 复杂光照条件下AGV视觉导引技术研究现状 | 第16-18页 |
| 1.2.1 国外复杂光照条件下AGV视觉导引技术研究现状 | 第16-17页 |
| 1.2.2 国内复杂光照条件下AGV视觉导引技术研究现状 | 第17-18页 |
| 1.3 复杂光照条件下AGV视觉导引关键技术 | 第18-19页 |
| 1.4 课题来源与研究内容 | 第19-20页 |
| 1.5 本章小结 | 第20-21页 |
| 第二章 复杂光照条件下AGV视觉导引系统研究 | 第21-31页 |
| 2.1 视觉导引AGV导引系统 | 第21-24页 |
| 2.1.1 AGV视觉导引系统 | 第21-22页 |
| 2.1.2 视觉导引AGV位姿测量原理 | 第22-24页 |
| 2.2 复杂光照条件下AGV视觉导引方法的基本流程 | 第24-25页 |
| 2.3 复杂光照条件下路径图像光照特性分析 | 第25-30页 |
| 2.3.1 复杂光照条件下导引路径图像 | 第25-26页 |
| 2.3.2 光照照度与图像亮度的关系 | 第26-27页 |
| 2.3.3 光照色彩模型的建立 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 复杂光照条件下AGV导引路径识别方法研究 | 第31-53页 |
| 3.1 基于支持向量机的AGV视觉导引路径图像照度分区 | 第31-36页 |
| 3.1.1 SVM分类算法模型 | 第31-32页 |
| 3.1.2 基于SVM的总体算法设计 | 第32-33页 |
| 3.1.3 基于SVM的导引路径图像照度分区 | 第33-36页 |
| 3.2 AGV导引路径图像预处理 | 第36-41页 |
| 3.2.1 正常照度区域图像自适应分割 | 第37页 |
| 3.2.2 低照度区域图像增强及分割 | 第37-40页 |
| 3.2.3 高亮光区域图像预处理及分割 | 第40-41页 |
| 3.3 AGV导引参数测量 | 第41-46页 |
| 3.3.1 PSO算法原理 | 第42-43页 |
| 3.3.2 AGV导引路径模型 | 第43-45页 |
| 3.3.3 基于PSO算法的导引路径拟合 | 第45-46页 |
| 3.4 实验和结果分析 | 第46-51页 |
| 3.4.1 图像处理实验结果与分析 | 第46-49页 |
| 3.4.2 导引路径检测算法性能测试 | 第49-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第四章 复杂光照条件下AGV位姿估计方法研究 | 第53-65页 |
| 4.1 AGV位姿最优估计 | 第53-58页 |
| 4.1.1 AGV位姿最优估计理论 | 第53-55页 |
| 4.1.2 UT变换 | 第55-56页 |
| 4.1.3 UKF算法 | 第56-58页 |
| 4.2 基于UKF的AGV位姿最优估计 | 第58-62页 |
| 4.2.1 AGV运动学模型 | 第58-60页 |
| 4.2.2 基于UKF的AGV位姿最优估计方法 | 第60-62页 |
| 4.3 仿真实验和结果分析 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 复杂光照条件下AGV视觉导引系统开发 | 第65-75页 |
| 5.1 AGV视觉导引硬件系统设计 | 第65-68页 |
| 5.2 AGV视觉导引软件系统设计 | 第68-71页 |
| 5.2.1 嵌入式视觉识别软件开发 | 第68-70页 |
| 5.2.2 AGV智能控制云平台的开发 | 第70-71页 |
| 5.3 AGV综合性能实验 | 第71-74页 |
| 5.4 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 在学期间的研究成果及发表的学术论文 | 第82-83页 |
