| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 注释表 | 第12-13页 |
| 缩略词 | 第13-14页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.3 研究目标与关键技术分析 | 第18-19页 |
| 1.3.1 研究目标 | 第18页 |
| 1.3.2 关键技术分析 | 第18-19页 |
| 1.4 本文研究的主要内容 | 第19-21页 |
| 第二章 基于GPU加速的深度图像获取技术研究 | 第21-33页 |
| 2.1 引言 | 第21页 |
| 2.2 双目摄像机的数学模型 | 第21-22页 |
| 2.3 视差获取 | 第22-31页 |
| 2.3.1 立体标定 | 第23-26页 |
| 2.3.2 基于GPU加速的立体校正 | 第26-27页 |
| 2.3.3 基于GPU加速的立体匹配 | 第27-31页 |
| 2.4 相关开发工具 | 第31-32页 |
| 2.5 本章小节 | 第32-33页 |
| 第三章 基于深度与RGB信息的障碍物提取研究 | 第33-48页 |
| 3.1 引言 | 第33页 |
| 3.2 算法设计 | 第33-40页 |
| 3.2.1 算法总体框架 | 第33-34页 |
| 3.2.2 多特征融合的流行排序 | 第34-36页 |
| 3.2.3 基于深度信息的识别优化 | 第36-38页 |
| 3.2.4 障碍物信息判别 | 第38-40页 |
| 3.3 数据集验证 | 第40-46页 |
| 3.3.1 实验数据集与对比方法 | 第40-41页 |
| 3.3.2 融合策略比较实验 | 第41-42页 |
| 3.3.3 定性分析实验 | 第42-44页 |
| 3.3.4 定量分析实验 | 第44-46页 |
| 3.4 实际障碍物效果验证 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于深度与光流信息的无人机自主避障研究 | 第48-68页 |
| 4.1 引言 | 第48页 |
| 4.2 算法设计 | 第48-58页 |
| 4.2.0 算法总体架构 | 第48-49页 |
| 4.2.1 基于自适应阈值的障碍物分割 | 第49-52页 |
| 4.2.2 基于光流信息的相对速度测算 | 第52-55页 |
| 4.2.3 障碍物深度模型 | 第55-56页 |
| 4.2.4 无人机障碍物规避策略 | 第56-58页 |
| 4.3 实验平台系统架构 | 第58-60页 |
| 4.4 实验验证 | 第60-67页 |
| 4.4.1 多障碍物环境仿真实验 | 第60-62页 |
| 4.4.2 室外人工障碍物实验验证 | 第62-63页 |
| 4.4.3 室外实际障碍物实验验证 | 第63-65页 |
| 4.4.4 室外移动障碍物实验验证 | 第65页 |
| 4.4.5 室内超声波与视觉联合避障实验验证 | 第65-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第五章 基于深度信息和卷积神经网络的无人车自主避障研究 | 第68-81页 |
| 5.1 引言 | 第68页 |
| 5.2 算法设计 | 第68-74页 |
| 5.2.1 算法总体架构 | 第68-69页 |
| 5.2.2 卷积神经网络 | 第69-73页 |
| 5.2.3 基于优化Alexnet网络的路径分类 | 第73-74页 |
| 5.3 实验平台系统架构 | 第74-75页 |
| 5.4 实验验证 | 第75-80页 |
| 5.4.1 训练数据采集 | 第75页 |
| 5.4.2 训练结果 | 第75-77页 |
| 5.4.3 测试结果 | 第77-79页 |
| 5.4.4 实际实验结果 | 第79-80页 |
| 5.5 本章小结 | 第80-81页 |
| 第六章 总结与展望 | 第81-84页 |
| 6.1 本文研究工作总结 | 第81-82页 |
| 6.2 存在的问题及后期的研究方向 | 第82-84页 |
| 参考文献 | 第84-90页 |
| 致谢 | 第90-91页 |
| 在学期间的研究成果及发表的学术论文 | 第91页 |