| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1. 绪论 | 第14-21页 |
| 1.1 研究背景和意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 相机自动曝光 | 第16-17页 |
| 1.2.2 双目立体匹配 | 第17-19页 |
| 1.3 本文主要研究工作与创新 | 第19-21页 |
| 1.3.1 本文主要工作与创新点 | 第19-20页 |
| 1.3.2 本文主要章节安排 | 第20-21页 |
| 2. 无人机及双目立体视觉系统硬件平台搭建 | 第21-25页 |
| 2.1 无人机平台 | 第21-22页 |
| 2.1.1 DJI MATRICE 100 | 第21页 |
| 2.1.2 基于PixHawk开源飞控的四旋翼无人机 | 第21-22页 |
| 2.2 双目立体视觉系统 | 第22-24页 |
| 2.2.1 NVIDIA TX2 | 第22-23页 |
| 2.2.2 ZED Stereo | 第23页 |
| 2.2.3 自主搭建双目模组 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 3. 基于图像特征点位置有效亮度的相机自动曝光 | 第25-38页 |
| 3.1 相机成像原理 | 第25页 |
| 3.2 基于图像特征点位置有效亮度的相机自动曝光算法 | 第25-36页 |
| 3.2.1 相机光度响应标定 | 第26-27页 |
| 3.2.2 特征点提取与掩膜建立 | 第27-28页 |
| 3.2.3 有效亮度计算与曝光时间调整 | 第28-30页 |
| 3.2.4 实验分析 | 第30-36页 |
| 3.3 本章小结 | 第36-38页 |
| 4. GPU加速及神经网络立体匹配算法 | 第38-65页 |
| 4.1 双目立体匹配原理 | 第38-47页 |
| 4.1.1 摄像机投影透视模型 | 第38-41页 |
| 4.1.2 双目立体视觉模型 | 第41-42页 |
| 4.1.3 双目立体标定与校正 | 第42-47页 |
| 4.2 基于GPU加速的半全局匹配算法 | 第47-57页 |
| 4.2.1 半全局匹配算法 | 第47-51页 |
| 4.2.2 CUDA编程基本原理 | 第51-53页 |
| 4.2.3 基于CUDA的半全局匹配算法实现 | 第53-55页 |
| 4.2.4 实验分析 | 第55-57页 |
| 4.3 基于端到端卷积神经网络的立体匹配算法 | 第57-64页 |
| 4.3.1 卷积神经网络基本原理 | 第58-59页 |
| 4.3.2 数据集介绍 | 第59-60页 |
| 4.3.3 端到端神经网络模型分析 | 第60-62页 |
| 4.3.4 实验分析 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 5. 栅格地图生成与无人机前方障碍物检测 | 第65-71页 |
| 5.1 深度映射 | 第65-67页 |
| 5.2 点云滤波 | 第67-68页 |
| 5.3 八叉树地图生成与障碍物检测 | 第68-70页 |
| 5.3.1 八叉树地图生成 | 第68-69页 |
| 5.3.2 障碍物检测 | 第69-70页 |
| 5.4 本章小结 | 第70-71页 |
| 6. 总结与展望 | 第71-73页 |
| 6.1 本文主要工作总结 | 第71-72页 |
| 6.2 未来工作展望 | 第72-73页 |
| 7. 参考文献 | 第73-76页 |
| 攻读硕士学位期间主要研究成果 | 第76-77页 |
| 作者简历 | 第77页 |