基于Kinect的移动机器人目标跟踪与避障研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 移动机器人国内外研究现状 | 第11-12页 |
| 1.3 移动机器人跟踪技术 | 第12-14页 |
| 1.4 移动机器人避障技术 | 第14-15页 |
| 1.5 本文主要研究的内容及论文结构 | 第15-16页 |
| 1.5.1 主要研究内容 | 第15页 |
| 1.5.2 论文结构 | 第15-16页 |
| 1.6 本章小结 | 第16-18页 |
| 第二章 实验平台及系统模型的建立 | 第18-26页 |
| 2.1 实验平台 | 第18页 |
| 2.2 移动机器人介绍 | 第18-20页 |
| 2.3 Kinect介绍及数据采集 | 第20-21页 |
| 2.3.1 Kinect介绍 | 第20页 |
| 2.3.2 Kinect数据采集 | 第20-21页 |
| 2.4 机器人运动数学模型 | 第21-25页 |
| 2.4.1 位置模型 | 第21-22页 |
| 2.4.2 差动驱动移动机器人运动学建模 | 第22-24页 |
| 2.4.3 里程表位置估计 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 TLD目标跟踪算法 | 第26-34页 |
| 3.1 TLD跟踪算法 | 第26-27页 |
| 3.2 检测器 | 第27-29页 |
| 3.2.1 方差滤波器 | 第27-28页 |
| 3.2.2 集成分类器 | 第28-29页 |
| 3.2.3 最近邻分类器 | 第29页 |
| 3.3 跟踪器 | 第29-30页 |
| 3.4 学习器 | 第30-32页 |
| 3.5 TLD算法特点 | 第32页 |
| 3.6 跟踪算法的评价指标 | 第32页 |
| 3.7 本章小结 | 第32-34页 |
| 第四章 基于Kinect的MIL-TLD跟踪算法 | 第34-46页 |
| 4.1 多示例学习算法 | 第34-36页 |
| 4.2 基于RGB-D的多示例特征选择 | 第36-38页 |
| 4.2.1 多尺度特征空间 | 第36-37页 |
| 4.2.2 RGB-D特征融合 | 第37-38页 |
| 4.3 MIL-TLD跟踪算法实现 | 第38-39页 |
| 4.4 实验结果与分析 | 第39-44页 |
| 4.5 本章小结 | 第44-46页 |
| 第五章 基于Kinect的移动机器人避障 | 第46-56页 |
| 5.1 路径规划方法 | 第46-49页 |
| 5.2 改进的人工势场避障算法 | 第49-53页 |
| 5.2.1 增加安全区域的人工势场法 | 第51-52页 |
| 5.2.2 运动控制 | 第52-53页 |
| 5.3 局部地图更新 | 第53-55页 |
| 5.4 实验结果与分析 | 第55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 结论 | 第56-58页 |
| 6.1 论文总结 | 第56页 |
| 6.2 工作展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 作者简介 | 第62页 |
| 作者在攻读硕士学位期间发表的论文 | 第62-64页 |
| 致谢 | 第64-65页 |
