基于服务机器人的检测识别
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·引言 | 第10页 |
| ·选题背景和研究意义 | 第10-11页 |
| ·国内外现状 | 第11-12页 |
| ·Kinect介绍 | 第12-13页 |
| ·Opencv发展趋势 | 第13-14页 |
| ·本文主要内容及各章节的安排 | 第14-15页 |
| ·研究内容 | 第14页 |
| ·组织结构 | 第14-15页 |
| 第2章 特征点匹配的技术研究 | 第15-34页 |
| ·基于特征的图像配准步骤 | 第15-17页 |
| ·SIFT特征点的特性 | 第17-18页 |
| ·SIFT特征点的提取 | 第18-27页 |
| ·尺度空间建立 | 第18-21页 |
| ·检测极值点 | 第21-22页 |
| ·关键点精确定位 | 第22-24页 |
| ·确定特征点主方向 | 第24-25页 |
| ·生成SIFT特征描述符 | 第25-27页 |
| ·SIFT特征点匹配 | 第27页 |
| ·实验结果 | 第27-29页 |
| ·光照不变性 | 第27-28页 |
| ·旋转不变性 | 第28-29页 |
| ·尺度不变性 | 第29页 |
| ·特征匹配中的应用算法 | 第29-32页 |
| ·霍夫变换 | 第29-30页 |
| ·BBF搜索算法 | 第30-31页 |
| ·随机抽样一致性算法 | 第31-32页 |
| ·特征匹配结果 | 第32页 |
| ·小结 | 第32-34页 |
| 第3章 基于级联分类器的SIFT匹配 | 第34-51页 |
| ·Haar-like特征 | 第35-37页 |
| ·积分图 | 第37-38页 |
| ·弱分类器 | 第38-39页 |
| ·强分类器 | 第39-40页 |
| ·级联分类器 | 第40-41页 |
| ·级联分类器结构的改进 | 第41-43页 |
| ·试验 | 第43-50页 |
| ·选取训练样本 | 第43-44页 |
| ·建立样本的描述文件 | 第44-45页 |
| ·建立VEC文件 | 第45-46页 |
| ·训练分类器 | 第46-47页 |
| ·瓶子检测 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第4章 服务机器人识别系统的设计 | 第51-60页 |
| ·系统的总体框架 | 第51-52页 |
| ·系统的设计与实现 | 第52-54页 |
| ·系统的软硬件环境 | 第52页 |
| ·系统的详细设计 | 第52-53页 |
| ·系统主要类和函数的实现 | 第53-54页 |
| ·系统模块的运行结果 | 第54-56页 |
| ·K-means聚类 | 第56-57页 |
| ·坐标转换 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读学位期间所开展的科研项目和发表的学术论文 | 第66页 |
