| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的主要工作 | 第11-12页 |
| 1.4 本文的结构 | 第12-13页 |
| 第二章 技术背景及研究思路 | 第13-22页 |
| 2.1 对象分割 | 第13-17页 |
| 2.1.1 二维灰度图像阈值分割法 | 第13-14页 |
| 2.1.2 二维图像边缘的分割法 | 第14-15页 |
| 2.1.3 二维图像区域的分割法 | 第15-17页 |
| 2.2 运动估计 | 第17-19页 |
| 2.2.1 背景差分法 | 第17-18页 |
| 2.2.2 帧间差分法 | 第18-19页 |
| 2.2.3 光流法 | 第19页 |
| 2.3 问题分析与解决思路 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 基于改进采样一致性算法的RGBD对象分割技术 | 第22-37页 |
| 3.1 相关技术分析 | 第22-30页 |
| 3.1.1 采样一致性算法 | 第22-25页 |
| 3.1.2 Kd-Tree | 第25-29页 |
| 3.1.3 最邻近查找算法 | 第29-30页 |
| 3.2 算法改进 | 第30-32页 |
| 3.2.1 RGBD点云亚采样处理 | 第30-31页 |
| 3.2.2 去平面处理 | 第31-32页 |
| 3.2.3 改进构建Kd-Tree与最邻近查找算法点云聚类处理 | 第32页 |
| 3.3 实验结果展示 | 第32-36页 |
| 3.3.1 实验设计 | 第32-33页 |
| 3.3.2 数据采集 | 第33-35页 |
| 3.3.3 结果分析 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 RGBD场景中对象运动估计技术 | 第37-49页 |
| 4.1 SVM支持向量机技术分析 | 第37-42页 |
| 4.1.1 线性分类器 | 第38-40页 |
| 4.1.2 分类器优化 | 第40-42页 |
| 4.2 运动估计方法 | 第42-44页 |
| 4.2.1 对象中心点计算 | 第42页 |
| 4.2.2 SVM分类器 | 第42-43页 |
| 4.2.3 运动估计分析 | 第43-44页 |
| 4.3 实验结果 | 第44-48页 |
| 4.3.1 实验设计 | 第44-45页 |
| 4.3.2 实验结果分析 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 原型系统实现 | 第49-56页 |
| 5.1 原型系统的设计目标 | 第49页 |
| 5.2 主界面功能介绍 | 第49-54页 |
| 5.3 原型系统的实现 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 本文工作总结 | 第56-57页 |
| 6.2 进一步工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 科研成果 | 第62-63页 |
| 致谢 | 第63-64页 |