智能小车避障与路径优化研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 基于视觉技术的智能车辆研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 障碍物检测与路径优化相关算法 | 第14-17页 |
| 1.3.1 障碍物检测相关算法 | 第14-15页 |
| 1.3.2 路径优化相关算法 | 第15-17页 |
| 1.4 论文主要研究内容与结构安排 | 第17-20页 |
| 2 视频信号采集与处理 | 第20-32页 |
| 2.1 智能小车结构简介 | 第20-22页 |
| 2.2 单目摄像机标定 | 第22-27页 |
| 2.2.1 参考坐标系 | 第22-24页 |
| 2.2.2 单目摄像机成像模型 | 第24-26页 |
| 2.2.3 摄像机标定结果 | 第26-27页 |
| 2.3 视频信号处理 | 第27-30页 |
| 2.3.1 视频分解部分代码 | 第28-29页 |
| 2.3.2 视频分解结果 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 3 障碍物检测技术研究 | 第32-48页 |
| 3.1 引言 | 第32页 |
| 3.2 帧差法 | 第32-33页 |
| 3.3 平均背景建模方法 | 第33页 |
| 3.4 混合高斯模型 | 第33-35页 |
| 3.4.1 混合高斯模型的建立 | 第33-34页 |
| 3.4.2 混合高斯模型的更新 | 第34-35页 |
| 3.5 基于图像多特征融合的障碍物检测 | 第35-44页 |
| 3.5.1 LBP纹理算子 | 第35-37页 |
| 3.5.2 边缘信息提取算法 | 第37-40页 |
| 3.5.3 图像特征融合算法 | 第40-42页 |
| 3.5.4 仿真分析 | 第42-44页 |
| 3.6 障碍物识别 | 第44-46页 |
| 3.6.1 障碍物处理与标定 | 第44页 |
| 3.6.2 仿真分析 | 第44-46页 |
| 3.7 本章小结 | 第46-48页 |
| 4 避障与路径优化研究 | 第48-68页 |
| 4.1 人工势场算法及问题 | 第48-50页 |
| 4.1.1 传统人工势场模型 | 第48-49页 |
| 4.1.2 仿真分析 | 第49-50页 |
| 4.2 改进人工势场算法 | 第50-54页 |
| 4.2.1 边缘探测法 | 第51页 |
| 4.2.2 几何方法 | 第51-52页 |
| 4.2.3 仿真分析 | 第52-54页 |
| 4.3 蚁群算法及问题 | 第54-61页 |
| 4.3.1 环境模型 | 第55-57页 |
| 4.3.2 蚁群系统模型 | 第57-59页 |
| 4.3.3 蚁群模型参数确定原则 | 第59-61页 |
| 4.4 改进蚁群算法 | 第61-66页 |
| 4.4.1 几种典型的改进蚁群系统 | 第61-63页 |
| 4.4.2 蚁群算法的改进 | 第63-65页 |
| 4.4.3 仿真实验分析 | 第65-66页 |
| 4.5 本章小结 | 第66-68页 |
| 5 系统设计与仿真 | 第68-72页 |
| 5.1 基于智能小车避障与路径优化的系统设计 | 第68-69页 |
| 5.2 仿真实验 | 第69-70页 |
| 5.3 本章小结 | 第70-72页 |
| 6 全文总结 | 第72-74页 |
| 6.1 全文总结 | 第72-73页 |
| 6.2 未来工作展望 | 第73-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 附录 A 参与科研项目 | 第80-82页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第82页 |
