| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国外机器人视觉研究现状 | 第9-12页 |
| 1.2.2 国内机器人视觉研究现状 | 第12页 |
| 1.3 本文主要内容及安排 | 第12-14页 |
| 第二章 视频目标识别跟踪原理与算法 | 第14-25页 |
| 2.1 目标识别算法 | 第14-21页 |
| 2.1.1 基于模板匹配的目标识别 | 第14-18页 |
| 2.1.2 基于机器学习的目标识别 | 第18-20页 |
| 2.1.3 目标识别方法的选择 | 第20-21页 |
| 2.2 目标跟踪算法 | 第21-24页 |
| 2.2.1 目标跟踪核心环节 | 第21-22页 |
| 2.2.2 常见目标跟踪算法 | 第22-23页 |
| 2.2.3 目标跟踪方法的选择 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 基于局部SURF特征的机器人物体识别算法 | 第25-35页 |
| 3.1 引言 | 第25页 |
| 3.2 基于SURF特征匹配的物体识别算法 | 第25-32页 |
| 3.2.1 物体识别框架 | 第25-26页 |
| 3.2.2 特征点检测 | 第26-28页 |
| 3.2.3 特征点描述 | 第28-30页 |
| 3.2.4 改进的特征点匹配 | 第30-32页 |
| 3.3 实验结果与分析 | 第32-34页 |
| 3.3.1 实验环境配置 | 第32页 |
| 3.3.2 物体识别实验 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于显著性区域指导的机器人物体识别算法 | 第35-44页 |
| 4.1 引言 | 第35页 |
| 4.2 基于显著性区域指导的物体识别算法 | 第35-38页 |
| 4.2.1 SURF算法加速策略 | 第35-36页 |
| 4.2.2 视觉选择性注意机制 | 第36页 |
| 4.2.3 Lab颜色模型 | 第36页 |
| 4.2.4 显著性指导的物体识别 | 第36-38页 |
| 4.3 实验结果与分析 | 第38-43页 |
| 4.3.1 显著性区域提取实验 | 第38页 |
| 4.3.2 物体识别实验 | 第38-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 基于改进的Camshift机器人物体跟踪算法 | 第44-58页 |
| 5.1 引言 | 第44页 |
| 5.2 Camshift算法原理 | 第44-49页 |
| 5.2.1 Meanshift跟踪算法 | 第44-46页 |
| 5.2.2 颜色空间 | 第46-47页 |
| 5.2.3 颜色概率分布图 | 第47-48页 |
| 5.2.4 Camshift跟踪算法 | 第48-49页 |
| 5.3 改进的Camshift跟踪算法 | 第49-52页 |
| 5.3.1 Camshift跟踪算法分析 | 第49-50页 |
| 5.3.2 无监督的搜索窗口选择 | 第50-51页 |
| 5.3.3 结合SURF特征的Camshift跟踪算法 | 第51-52页 |
| 5.4 实验及结果分析 | 第52-56页 |
| 5.5 本章小结 | 第56-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58-59页 |
| 6.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间所取得的相关科研成果 | 第66页 |