基于四旋翼飞行器的目标识别和处理
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 英文缩写 | 第8-14页 |
| 第1章 绪论 | 第14-20页 |
| 1.1 课题背景 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 目标识别和跟踪技术 | 第16-17页 |
| 1.2.2 深度学习研究现状 | 第17-18页 |
| 1.3 本文主要研究内容和安排 | 第18-20页 |
| 第二章 四旋翼飞行器目标识别和处理系统设计 | 第20-28页 |
| 2.1 四旋翼飞行器 | 第20-22页 |
| 2.1.1 四旋翼飞行器的组成结构 | 第21页 |
| 2.1.2 四旋翼飞行器的飞行方式 | 第21-22页 |
| 2.2 计算机视觉平台搭建 | 第22-25页 |
| 2.2.1 视觉图像处理系统的设计要求 | 第22-23页 |
| 2.2.2 飞行器系统组成 | 第23-25页 |
| 2.3 视觉系统工作流程图 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 基于传统图像处理的目标识别 | 第28-52页 |
| 3.1 图像预处理 | 第28-38页 |
| 3.1.1 灰度变换 | 第28-32页 |
| 3.1.2 直方图均衡化 | 第32-33页 |
| 3.1.3 平滑 | 第33-36页 |
| 3.1.4 图像锐化 | 第36-38页 |
| 3.2 边缘检测 | 第38-42页 |
| 3.3 角点检测 | 第42-45页 |
| 3.3.1 Harris角点检测算法 | 第42-44页 |
| 3.3.2 FAST角点检测 | 第44-45页 |
| 3.4 特征点提取算法 | 第45-49页 |
| 3.5 RANSAC精匹配 | 第49页 |
| 3.6 本章小结 | 第49-52页 |
| 第四章 基于卷积神经网络的目标识别 | 第52-68页 |
| 4.1 人工神经网络 | 第52-55页 |
| 4.1.1 感知器 | 第52-53页 |
| 4.1.2 多层感知器 | 第53-54页 |
| 4.1.3 反向传播 | 第54-55页 |
| 4.2 卷积神经网络 | 第55-66页 |
| 4.2.1 CNN卷积神经网络经典模型 | 第55-59页 |
| 4.2.2 FCN卷积神经网络模型 | 第59-61页 |
| 4.2.3 R-CNN系列模型 | 第61-64页 |
| 4.2.4 SSD模型 | 第64-66页 |
| 4.3 caffe架构 | 第66页 |
| 4.4 章节总结 | 第66-68页 |
| 第五章 基于四旋翼飞行器目标识别实验 | 第68-84页 |
| 5.1 实验环境搭建 | 第68-69页 |
| 5.2 评判指标 | 第69页 |
| 5.3 实验过程 | 第69-73页 |
| 5.3.1 实验准备 | 第69-71页 |
| 5.3.2 优化 | 第71-73页 |
| 5.4 实验结果与分析 | 第73-82页 |
| 5.4.1 基于传统图像处理的特征匹配方案 | 第73-76页 |
| 5.4.2 基于卷积神经网络的目标识别方案 | 第76-82页 |
| 5.5 本章小结 | 第82-84页 |
| 第六章 总结与展望 | 第84-86页 |
| 6.1 总结 | 第84-85页 |
| 6.2 展望 | 第85-86页 |
| 攻读硕士学位期间发表的论文以及取得的研究成果 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91页 |
