| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 国内外研究现况 | 第12-16页 |
| 1.2.1 国外研究现况 | 第12-15页 |
| 1.2.2 国内研究现况 | 第15-16页 |
| 1.3 本论文的研究意义和目的 | 第16-17页 |
| 1.3.1 本论文的研究意义 | 第16-17页 |
| 1.3.2 本论文的研究目的 | 第17页 |
| 1.4 本论文的主要工作及内容安排 | 第17-19页 |
| 1.4.1 本论文的主要工作 | 第17-18页 |
| 1.4.2 本文组织结构 | 第18-19页 |
| 第2章 动态场景下运动障碍物检测 | 第19-23页 |
| 2.1 运动障碍物检测的理论基础 | 第19-20页 |
| 2.1.1 数字图像处理 | 第19页 |
| 2.1.2 计算机视觉 | 第19-20页 |
| 2.2 动态场景下运动障碍物检测方法分类 | 第20-21页 |
| 2.2.1 基于运动补偿的运动障碍物检测方法 | 第20页 |
| 2.2.2 基于光流的运动障碍物检测方法 | 第20-21页 |
| 2.3 动态场景下运动障碍物检测关键技术 | 第21-22页 |
| 2.4 本文运动障碍物检测系统各模块描述 | 第22-23页 |
| 第3章 基于SURF算法的全局运动估计 | 第23-41页 |
| 3.1 引言 | 第23页 |
| 3.2 SURF算法简介 | 第23-30页 |
| 3.2.1 尺度空间极值搜索 | 第24-26页 |
| 3.2.2 精确定位极值点 | 第26-29页 |
| 3.2.3 SURF特征描述子 | 第29-30页 |
| 3.2.3.1 特征点主方向的确定 | 第29-30页 |
| 3.2.3.2 特征点特征向量生成 | 第30页 |
| 3.3 基于SURF算法的全局运动估计 | 第30-37页 |
| 3.3.1 SURF初匹配 | 第30-31页 |
| 3.3.2 自适应去除误匹配算法与全局运动估计 | 第31-35页 |
| 3.3.2.1 全局运动估计模型的选取 | 第31页 |
| 3.3.2.2 自适应去除误匹配算法研究 | 第31-35页 |
| 3.3.3 估计帧的获得 | 第35-37页 |
| 3.4 实验结果分析 | 第37-39页 |
| 3.4.1 样本来源 | 第37页 |
| 3.4.2 实验结果显示 | 第37-38页 |
| 3.4.3 算法评估 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 基于贝叶斯决策的动态场景下运动障碍物检测算法研究 | 第41-51页 |
| 4.1 引言 | 第41页 |
| 4.2 基于贝叶斯决策的运动障碍物检测算法 | 第41-46页 |
| 4.2.1 贝叶斯决策 | 第41-42页 |
| 4.2.2 特征的统计表示 | 第42-43页 |
| 4.2.3 特征的统计更新 | 第43-46页 |
| 4.2.3.1 选定前景候选点 | 第43-45页 |
| 4.2.3.2 特征统计更新 | 第45-46页 |
| 4.2.4 运动障碍物的提取 | 第46页 |
| 4.3 实验结果与分析 | 第46-50页 |
| 4.3.1 样本来源 | 第46-47页 |
| 4.3.2 检测结果显示 | 第47-49页 |
| 4.3.3 算法评估 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 本文工作总结 | 第51页 |
| 5.2 未来工作及展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57页 |