| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题的研究目的和意义 | 第9-10页 |
| 1.2 国内外机器人分类识别的研究现状 | 第10-15页 |
| 1.2.1 基于视觉信号地面类型识别研究现状 | 第10-13页 |
| 1.2.2 基于视觉信号与振动信号融合地面类型识别研究现状 | 第13-15页 |
| 1.3 课题来源及主要研究内容 | 第15-16页 |
| 第2章 基于数字图像处理视觉信号特征提取 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 图像预处理 | 第16-20页 |
| 2.2.1 单目相机标定 | 第16-19页 |
| 2.2.2 非结构环境下去噪声处理方法研究 | 第19-20页 |
| 2.3 实时视觉信号特征提取 | 第20-24页 |
| 2.3.1 颜色特征提取 | 第21-22页 |
| 2.3.2 纹理特征提取 | 第22-24页 |
| 2.4 特征提取后处理 | 第24-26页 |
| 2.4.1 各类特征协调归一化 | 第24-25页 |
| 2.4.2 主成分分析降维处理 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于视觉地面类型分类辨识学习 | 第27-41页 |
| 3.1 引言 | 第27页 |
| 3.2 基于视觉信号地面类型辨识算法 | 第27-34页 |
| 3.2.1 支持向量机原理 | 第28-30页 |
| 3.2.2 支持向量机地面分类辨识模型 | 第30-32页 |
| 3.2.3 模型匹配算法对地面类型分类辨识 | 第32-34页 |
| 3.3 目标地面区域划分 | 第34-40页 |
| 3.3.1 K 平均聚类算法预分类生成样本 | 第35-37页 |
| 3.3.2 支持向量机算法训练样本 | 第37-38页 |
| 3.3.3 形态学处理 | 第38-39页 |
| 3.3.4 在线学习 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 视觉信号与振动信号信息融合 | 第41-50页 |
| 4.1 引言 | 第41页 |
| 4.2 基于视觉信号特征与基于振动信号特征对比 | 第41-44页 |
| 4.2.1 振动信号特征采集与分辨 | 第41-42页 |
| 4.2.2 振动信号与图像信号融合的可行性分析 | 第42-44页 |
| 4.3 两种传感器信号融合方法研究 | 第44-49页 |
| 4.3.1 视觉特征与振动特征层级别融合 | 第45-47页 |
| 4.3.2 基于两种信号辨识结果的贝叶斯融合模型 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 实验平台搭建及实验研究 | 第50-65页 |
| 5.1 引言 | 第50页 |
| 5.2 基于移动机器人实验平台搭建 | 第50-53页 |
| 5.2.1 硬件控制系统平台 | 第50-51页 |
| 5.2.2 信号采集系统 | 第51-52页 |
| 5.2.3 软件控制模块 | 第52-53页 |
| 5.3 基于视觉信号分类辨识实验 | 第53-58页 |
| 5.3.1 单地面类型准确率测定实验 | 第53-56页 |
| 5.3.2 不同速度模式准确率测定实验 | 第56-58页 |
| 5.4 分类辨识综合实验 | 第58-64页 |
| 5.4.1 鲁棒性与敏感性分析 | 第58-59页 |
| 5.4.2 快速性与准确性平衡分析 | 第59-60页 |
| 5.4.3 融合验证实验 | 第60-62页 |
| 5.4.4 综合实验 | 第62-64页 |
| 5.5 本章小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71页 |