基于NRLBP的NAO机器人行人目标检测
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 未解决的问题 | 第16页 |
| 1.4 本文结构 | 第16-18页 |
| 第2章 NAO机器人 | 第18-28页 |
| 2.1 硬件结构与配置 | 第18-19页 |
| 2.2 软件开发 | 第19-22页 |
| 2.2.1 Naoqi | 第19-21页 |
| 2.2.2 Choregraphe | 第21-22页 |
| 2.3 视觉系统 | 第22-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 LBP与NRLBP | 第28-47页 |
| 3.1 LBP | 第28-44页 |
| 3.1.1 LBP的计算方法 | 第29-32页 |
| 3.1.2 LBP的改进形式 | 第32-43页 |
| 3.1.3 LBP直方图 | 第43-44页 |
| 3.2 NRLBP | 第44-45页 |
| 3.3 本章小结 | 第45-47页 |
| 第4章 图像预处理 | 第47-52页 |
| 4.1 图像灰度化处理 | 第47-48页 |
| 4.2 去噪处理 | 第48-49页 |
| 4.3 锐化处理 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 基于NRLBP的行人识别 | 第52-68页 |
| 5.1 训练 | 第52-61页 |
| 5.1.1 K-means算法 | 第52-54页 |
| 5.1.2 SIFT算子 | 第54-56页 |
| 5.1.3 训练过程 | 第56-61页 |
| 5.2 目标检测 | 第61-63页 |
| 5.3 实现方法 | 第63-67页 |
| 5.3.1 运行环境配置 | 第64页 |
| 5.3.2 Python | 第64页 |
| 5.3.3 OpenCV | 第64-66页 |
| 5.3.4 软件实现 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第6章 实验结果与分析 | 第68-72页 |
| 第7章 总结与展望 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 致谢 | 第80页 |
