| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 本文结构 | 第15-17页 |
| 第2章 摄像机标定 | 第17-33页 |
| 2.1 标定坐标系 | 第17-20页 |
| 2.1.1 计算机坐标系 | 第17-18页 |
| 2.1.2 图像坐标系 | 第18-19页 |
| 2.1.3 摄像机坐标系 | 第19页 |
| 2.1.4 世界坐标系 | 第19-20页 |
| 2.2 摄像机成像模型 | 第20-22页 |
| 2.2.1 针孔成像模型 | 第20-22页 |
| 2.2.2 非线性成像模型 | 第22页 |
| 2.3 摄像机标定方法 | 第22-28页 |
| 2.4 标定实验及结果分析 | 第28-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 立体匹配 | 第33-49页 |
| 3.1 立体匹配概述 | 第33-37页 |
| 3.2 立体匹配算法 | 第37-40页 |
| 3.2.1 特征匹配算法 | 第37页 |
| 3.2.2 区域相关匹配算法 | 第37-40页 |
| 3.3 基于控制点约束及区域相关的立体匹配算法 | 第40-46页 |
| 3.3.1 Harris角点检测 | 第40-44页 |
| 3.3.2 角点匹配 | 第44-45页 |
| 3.3.3 非角点匹配 | 第45-46页 |
| 3.4 实验结果与结论 | 第46-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第4章 基于双目立体视觉的目标检测 | 第49-61页 |
| 4.1 目标深度恢复 | 第49-54页 |
| 4.1.1 理想双目视觉模型 | 第50-52页 |
| 4.1.2 实际双目视觉模型 | 第52-54页 |
| 4.2 基于深度图的目标检测 | 第54-58页 |
| 4.2.1 基于Mean Shift算法的图像聚类处理 | 第54-57页 |
| 4.2.2 基于Otsu的阈值分割 | 第57-58页 |
| 4.3 一种改进的目标检测方法 | 第58-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第5章 基于双目立体视觉的目标跟踪 | 第61-71页 |
| 5.1 基于自适应均值漂移的运动目标跟踪 | 第61-65页 |
| 5.1.1 CamShift跟踪算法原理 | 第61-64页 |
| 5.1.2 CamShift算法的跟踪实验结果分析 | 第64-65页 |
| 5.2 改进的CamShift跟踪算法 | 第65-69页 |
| 5.2.1 Kalman滤波器 | 第66-67页 |
| 5.2.2 改进的CamShift算法实现 | 第67-68页 |
| 5.2.3 实验结果与分析 | 第68-69页 |
| 5.3 本章小结 | 第69-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 工作总结 | 第71页 |
| 6.2 工作展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间公开发表的论文及科研成果 | 第79-81页 |
| 致谢 | 第81页 |