面向服务机器人的行人检测与跟踪
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第15-21页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 本文研究内容与结构 | 第18-21页 |
| 第2章 行人检测相关技术 | 第21-43页 |
| 2.1 运动目标检测方法 | 第21-24页 |
| 2.1.1 背景差分法 | 第21-22页 |
| 2.1.2 帧差分法 | 第22-23页 |
| 2.1.3 光流法 | 第23-24页 |
| 2.2 行人特征 | 第24-36页 |
| 2.2.1 形状特征 | 第25-28页 |
| 2.2.2 外观特征 | 第28-32页 |
| 2.2.3 其他特征 | 第32-36页 |
| 2.3 分类器介绍 | 第36-41页 |
| 2.3.1 支持向量机 | 第36-37页 |
| 2.3.2 Adaboost | 第37-38页 |
| 2.3.3 随机森林 | 第38-39页 |
| 2.3.4 卷积神经网络 | 第39-41页 |
| 2.4 本章小结 | 第41-43页 |
| 第3章 基于多源信息的行人检测 | 第43-65页 |
| 3.1 硬件平台介绍 | 第44-47页 |
| 3.1.1 turtlebot机器人 | 第44-45页 |
| 3.1.2 Kinect传感器 | 第45-46页 |
| 3.1.3 Hokuyo激光器 | 第46-47页 |
| 3.2 基于激光的人腿检测 | 第47-53页 |
| 3.2.1 激光区域分割 | 第48-51页 |
| 3.2.2 人腿特征定义 | 第51-52页 |
| 3.2.3 人腿分类 | 第52-53页 |
| 3.3 基于RGB-D的人体检测 | 第53-57页 |
| 3.3.1 点云预处理 | 第53-55页 |
| 3.3.2 人体分类 | 第55-56页 |
| 3.3.3 检测结果融合 | 第56-57页 |
| 3.4 实验结果与分析 | 第57-63页 |
| 3.4.1 实验数据说明 | 第57-58页 |
| 3.4.2 模块实验 | 第58-61页 |
| 3.4.3 整体实验 | 第61-63页 |
| 3.5 本章小结 | 第63-65页 |
| 第4章 基于改进粒子滤波的行人跟踪 | 第65-83页 |
| 4.1 粒子滤波跟踪框架 | 第66-71页 |
| 4.1.1 贝叶斯估计 | 第66-67页 |
| 4.1.2 蒙特卡洛算法 | 第67-68页 |
| 4.1.3 序贯重要性重采样 | 第68-69页 |
| 4.1.4 粒子退化问题 | 第69-70页 |
| 4.1.5 粒子滤波算法 | 第70-71页 |
| 4.2 改进的粒子滤波算法 | 第71-75页 |
| 4.2.1 MCMC算法 | 第71-72页 |
| 4.2.2 SIR/MCMC分层抽样粒子滤波 | 第72-73页 |
| 4.2.3 引入深度图的状态预测 | 第73-75页 |
| 4.3 实验结果与分析 | 第75-82页 |
| 4.3.1 实验环境与数据 | 第75-76页 |
| 4.3.2 多种粒子滤波对比仿真实验 | 第76-77页 |
| 4.3.3 分层粒子滤波跟踪实验及性能评估 | 第77-82页 |
| 4.4 本章小结 | 第82-83页 |
| 第5章 总结与展望 | 第83-85页 |
| 5.1 本文总结 | 第83-84页 |
| 5.2 工作展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-91页 |
| 在读期间发表的学术论文与取得的研究成果 | 第91页 |
