| 第一章 绪论 | 第1-26页 |
| 1．1 研究背景及意义 | 第11-12页 |
| 1．2 计算机视觉的发展历史及研究现状 | 第12-19页 |
| 1．2．1 Marr的视觉理论框架 | 第13-14页 |
| 1．2．2 Marr的视觉理论框架的不足与其他理论框架 | 第14-16页 |
| 1．2．3 计算机视觉研究现状 | 第16-19页 |
| 1．3 摄像机标定技术与边缘检测的国内外研究现状 | 第19-24页 |
| 1．3．1 边缘检测研究现状 | 第19-21页 |
| 1．3．2 摄像机标定技术研究现状 | 第21-24页 |
| 1．4 论文主要工作 | 第24-26页 |
| 第二章 计算机视觉的摄像机标定原理及方法 | 第26-42页 |
| 2．1 引言 | 第26-27页 |
| 2．2 成像几何模型和多视点几何 | 第27-34页 |
| 2．2．1 成像几何模型 | 第27-29页 |
| 2．2．2 空间点与像点的非线性关系分析 | 第29-31页 |
| 2．2．3 立体视觉中的极线几何约束 | 第31-34页 |
| 2．3 传统的摄像机标定技术的原理和方法 | 第34-37页 |
| 2．3．1 线性求解方法 | 第34-35页 |
| 2．3．2 非线性优化方法 | 第35-36页 |
| 2．3．3 两步法 | 第36-37页 |
| 2．4 自标定技术原理和方法 | 第37-41页 |
| 2．4．1 基于主动视觉的摄像机自标定技术 | 第37-39页 |
| 2．4．2 利用本质矩阵和基本矩阵的自标定技术 | 第39-40页 |
| 2．4．3 利用绝对二次曲线和极线变换性质的摄像机标定方法 | 第40-41页 |
| 2．5 本章小结 | 第41-42页 |
| 第三章 基于小波变换的边缘检测和轮廓跟踪 | 第42-54页 |
| 3．1 引言 | 第42页 |
| 3．2 小波变换的理论基础 | 第42-46页 |
| 3．2．1 连续小波变换 | 第43-44页 |
| 3．2．2 二进小波变换 | 第44-45页 |
| 3．2．3 小波变换多分辨率思想 | 第45-46页 |
| 3．3 基于小波变换的边缘检测和轮廓跟踪 | 第46-53页 |
| 3．3．1 引言 | 第46页 |
| 3．3．2 采用模糊算法改进边缘检测算法 | 第46-49页 |
| 3．3．3 小波函数的选择 | 第49页 |
| 3．3．4 边缘轮廓点跟踪和补偿 | 第49-51页 |
| 3．3．5 实验结果和分析 | 第51-53页 |
| 3．4 本章小结 | 第53-54页 |
| 第四章 基于单个自适应神经元的摄像机传统标定算法 | 第54-63页 |
| 4．1 传统标定方法中的非线性优化算法 | 第54-55页 |
| 4．2 应用单个自适应神经元进行摄像机标定 | 第55-59页 |
| 4．2．1 单个自适应神经元系统的学习算法 | 第55-56页 |
| 4．2．2 摄像机标定中考虑径向畸变和切向畸变的摄像机模型 | 第56-57页 |
| 4．2．3 应用神经元自适应算法进行摄像机标定 | 第57-59页 |
| 4．3 实验结果及分析 | 第59-62页 |
| 4．3．1 真实实验一 | 第60-61页 |
| 4．3．2 真实实验二 | 第61-62页 |
| 4．4 本章小结 | 第62-63页 |
| 第五章 基于主动视觉的摄像机自标定技术 | 第63-77页 |
| 5．1 引言 | 第63页 |
| 5．2 一种基于纯平移运动的线性自标定算法 | 第63-70页 |
| 5．2．1 参数模型与极点表达 | 第63-65页 |
| 5．2．2 线性内参数自标定算法 | 第65-67页 |
| 5．2．3 外参数标定方法 | 第67-68页 |
| 5．2．4 实验与分析 | 第68-70页 |
| 5．3 一种考虑二阶径向畸变的非线性自标定算法 | 第70-76页 |
| 5．3．1 考虑二阶径向畸变的成像模型 | 第71-72页 |
| 5．3．2 考虑二阶径向畸变的极线几何约束 | 第72-73页 |
| 5．3．3 非线性自标定算法 | 第73-75页 |
| 5．3．4 仿真实验结果与分析 | 第75-76页 |
| 5．4 本章小结 | 第76-77页 |
| 第六章 基于神经网络隐式视觉模型的摄像机标定方法 | 第77-99页 |
| 6．1 引言 | 第77-78页 |
| 6．2 基于BP神经网络隐式视觉模型的双目立体视觉方法 | 第78-85页 |
| 6．2．1 传统的基于精确数学模型的双目立体视觉方法 | 第78-79页 |
| 6．2．2 基于神经网络隐式视觉模型的双目立体视觉算法 | 第79-82页 |
| 6．2．3 实验结果及分析 | 第82-85页 |
| 6．3 基于BP神经网络的成像误差修正 | 第85-92页 |
| 6．3．1 通常的成像误差修正方法 | 第85-89页 |
| 6．3．2 基于BP神经网络的成像误差修正 | 第89-90页 |
| 6．3．3 成像误差修正的具体算法 | 第90页 |
| 6．3．4 实验结果及分析 | 第90-92页 |
| 6．4 基于径向基函数网络的二维平面测量 | 第92-97页 |
| 6．4．1 径向基函数网络 | 第93-94页 |
| 6．4．2 基于RBF网络的二维平面测量 | 第94页 |
| 6．4．3 具体算法 | 第94-96页 |
| 6．4．4 实验结果及分析 | 第96-97页 |
| 6．5 本章小结 | 第97-99页 |
| 第七章 基于颜色信息的足球机器人视觉系统 | 第99-110页 |
| 7．1 足球机器人简介 | 第99-100页 |
| 7．2 指定颜色属性的物体的识别方法 | 第100-104页 |
| 7．2．1 颜色模型和模式特征向量的选取 | 第100-102页 |
| 7．2．2 LVQ网络分类器的构造 | 第102-103页 |
| 7．2．3 实验及分析 | 第103-104页 |
| 7．3 基于颜色信息的视觉识别算法 | 第104-109页 |
| 7．3．1 视觉系统的工作流程 | 第105-106页 |
| 7．3．2 视觉识别部分的工作流程 | 第106页 |
| 7．3．3 小球的中心位置的识别 | 第106-107页 |
| 7．3．4 小车的中心位置的识别 | 第107-109页 |
| 7．4 实验结果及分析 | 第109页 |
| 7．5 本章小结 | 第109-110页 |
| 第八章 结论与展望 | 第110-112页 |
| 8．1 论文工作总结 | 第110-111页 |
| 8．2 工作展望 | 第111-112页 |
| 参考文献 | 第112-121页 |
| 攻读博士期间发表的论文及参与的研究工作 | 第121-122页 |
| 论文创新点摘要 | 第122-123页 |
| 致谢 | 第123-124页 |
