基于视觉的无人机巡线算法的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 主流巡线技术的国内外发展现状 | 第11-16页 |
| 1.2.1 车道线巡线的国内外发展现状 | 第11-14页 |
| 1.2.2 输电线巡线的国内外发展现状 | 第14-15页 |
| 1.2.3 海岸线巡线的国内外发展现状 | 第15-16页 |
| 1.3 研究内容与结构安排 | 第16-18页 |
| 第二章 图像预处理方法研究 | 第18-31页 |
| 2.1 引言 | 第18页 |
| 2.2 图像滤波算法的研究 | 第18-24页 |
| 2.3 边缘检测常用的算子 | 第24-27页 |
| 2.4 图像分割算法的研究 | 第27-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于视觉的无人机巡线系统的设计 | 第31-37页 |
| 3.1 引言 | 第31页 |
| 3.2 巡线系统的硬件设计 | 第31-34页 |
| 3.2.1 无人机平台的设计 | 第31-32页 |
| 3.2.2 图像处理系统的设计 | 第32-34页 |
| 3.3 巡线系统的软件设计 | 第34-36页 |
| 3.3.1 巡线系统软件的总体框架 | 第34-36页 |
| 3.3.2 算法描述 | 第36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 静态车道线的检测与识别 | 第37-53页 |
| 4.1 引言 | 第37页 |
| 4.2 相机标定矫正 | 第37-39页 |
| 4.2.1 摄像机模型 | 第37-38页 |
| 4.2.2 透镜畸变 | 第38页 |
| 4.2.3 OpenCV标定矫正步骤 | 第38-39页 |
| 4.3 车道线图像的预处理 | 第39-41页 |
| 4.3.1 车道线图像的灰度化 | 第39-40页 |
| 4.3.2 车道线图像滤波 | 第40-41页 |
| 4.4 基于车道线的边缘检测 | 第41-42页 |
| 4.5 常用的车道线模型 | 第42-43页 |
| 4.6 车道线扫描模型的设计 | 第43-49页 |
| 4.6.1 直线扫描模型的设计 | 第43-45页 |
| 4.6.2 椭圆扫描模型的设计 | 第45-47页 |
| 4.6.3 混合扫描模型的设计 | 第47-49页 |
| 4.7 实验结果 | 第49-51页 |
| 4.8 本章小结 | 第51-53页 |
| 第五章 动态海岸线的检测与识别 | 第53-64页 |
| 5.1 引言 | 第53页 |
| 5.2 海岸线图像分割颜色空间的选取 | 第53-57页 |
| 5.3 海岸线基于K均值的聚类分割 | 第57-60页 |
| 5.3.1 K均值聚类 | 第57-58页 |
| 5.3.2 海岸线的聚类分割 | 第58-59页 |
| 5.3.3 海岸线分割图像的形态学滤波 | 第59-60页 |
| 5.4 海岸线的轮廓提取 | 第60-61页 |
| 5.5 基于混合扫描模型识别海岸线 | 第61-62页 |
| 5.6 实验结果 | 第62-63页 |
| 5.7 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 工作总结 | 第64页 |
| 6.2 工作展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录 | 第71页 |
