| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 引言 | 第9-15页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 巡检机器人障碍识别的研究现状 | 第10-14页 |
| 1.2.1 基于人工控制的障碍识别 | 第10-11页 |
| 1.2.2 基于多传感器信息融合的障碍识别 | 第11-13页 |
| 1.2.3 基于视觉的障碍识别 | 第13-14页 |
| 1.3 论文结构安排 | 第14-15页 |
| 2 巡检机器人作业环境与障碍识别分析 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 巡检机器人作业环境 | 第15-18页 |
| 2.2.1 500kV架空输电线路组成 | 第15页 |
| 2.2.2 线路中典型金具特征分析 | 第15-18页 |
| 2.3 巡检机器人总体结构及越障方式 | 第18-22页 |
| 2.3.1 巡检机器人样机及系统组成 | 第18-19页 |
| 2.3.2 巡检机器人越障方式 | 第19-22页 |
| 2.4 巡检机器人障碍识别分析 | 第22-24页 |
| 2.4.1 障碍识别算法设计要求及难点分析 | 第22-23页 |
| 2.4.2 障碍识别算法组成及工作原理 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 障碍物图像特征提取 | 第25-36页 |
| 3.1 引言 | 第25-26页 |
| 3.2 障碍物图像预处理 | 第26-27页 |
| 3.3 障碍物图像特征提取 | 第27-35页 |
| 3.3.1 常见的形状特征对比 | 第27页 |
| 3.3.2 HOG特征提取过程 | 第27-32页 |
| 3.3.3 障碍物图像HOG特征表达 | 第32-33页 |
| 3.3.4 HOG特征降维 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 基于SVM的障碍识别系统设计 | 第36-51页 |
| 4.1 引言 | 第36页 |
| 4.2 SVM | 第36-41页 |
| 4.2.1 线性分类 | 第37-40页 |
| 4.2.2 支持向量机和核函数 | 第40-41页 |
| 4.3 SVM参数选择及实验结果分析 | 第41-44页 |
| 4.3.1 SVM参数选择 | 第41-42页 |
| 4.3.2 实验结果分析 | 第42-44页 |
| 4.4 基于SVM的多类别分类 | 第44-46页 |
| 4.4.1 一对多分类法 | 第44页 |
| 4.4.2 一对一分类法 | 第44页 |
| 4.4.3 有向无环图分类法 | 第44-45页 |
| 4.4.4 决策树法 | 第45-46页 |
| 4.4.5 几种分类方法对比分析 | 第46页 |
| 4.5 基于SVM的障碍物分类算法 | 第46-50页 |
| 4.5.1 基于完全二叉树决策的分类 | 第46-48页 |
| 4.5.2 基于编码制的决策分类 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 5 系统实验 | 第51-55页 |
| 5.1 实验环境 | 第51页 |
| 5.2 实验样本选取 | 第51-52页 |
| 5.3 基于HOG特征和SPS-HOG特征的障碍识别对比 | 第52-53页 |
| 5.4 基于决策树法和编码制决策法的障碍识别对比 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 6 结论 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 附录 | 第60页 |
| A. 作者在攻读硕士学位期间发表的论文和专利 | 第60页 |