| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 无人机航迹规划研究现状 | 第11-13页 |
| 1.2.2 基于光流的障碍物识别研究现状 | 第13-14页 |
| 1.3 课题主要研究内容 | 第14-15页 |
| 1.4 论文结构 | 第15-17页 |
| 第二章 无人机自主巡航与规划关键技术 | 第17-27页 |
| 2.1 无人机动态障碍物检测 | 第17-19页 |
| 2.1.1 基于模型与特征的障碍物检测方法 | 第17-19页 |
| 2.1.2 基于光流场的障碍物检测方法 | 第19页 |
| 2.2 无人机航迹规划 | 第19-26页 |
| 2.2.1 遗传算法 | 第19-21页 |
| 2.2.2 概率地图法 | 第21页 |
| 2.2.3 优化粒子群算法 | 第21-23页 |
| 2.2.4 稀疏A*法 | 第23-24页 |
| 2.2.5 蚁群优化算法 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于光流的无人机潜在障碍物识别技术研究 | 第27-49页 |
| 3.1 无人机前向环境预处理 | 第27-36页 |
| 3.1.1 基于全局的自适应迭代阈值分割 | 第29-33页 |
| 3.1.2 基于三帧差法目标检测 | 第33-34页 |
| 3.1.3 基于阈值分割与帧差法目标检测 | 第34-36页 |
| 3.2 光流法目标识别跟踪 | 第36-41页 |
| 3.2.1 LK光流法原理 | 第36-37页 |
| 3.2.2 光流金字塔模型 | 第37-41页 |
| 3.3 单目光流障碍物识别 | 第41-45页 |
| 3.3.1 基于光流法单目测距问题描述 | 第41页 |
| 3.3.2 光流发散焦点 | 第41-43页 |
| 3.3.3 光流单目测距 | 第43-45页 |
| 3.4 帧差法光流法的潜在障碍物识别算法流程及实验验证 | 第45-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 无人机静态航迹规划技术研究 | 第49-64页 |
| 4.1 蚁群算法航迹规划 | 第49-54页 |
| 4.1.1 蚁群算法基本原理 | 第49-50页 |
| 4.1.2 蚁群算法模型建立 | 第50-53页 |
| 4.1.3 参数对蚁群算法性能的影响 | 第53页 |
| 4.1.4 蚁群系统的优缺点 | 第53-54页 |
| 4.2 人工势场局部航迹规划 | 第54-57页 |
| 4.2.1 人工势场法原理 | 第54-55页 |
| 4.2.2 势场模型搭建 | 第55-57页 |
| 4.3 势场蚁群算法 | 第57-60页 |
| 4.3.1 势场蚁群算法启发信息 | 第57-58页 |
| 4.3.2 势场蚁群算法信息素更新策略 | 第58-59页 |
| 4.3.3 初始迭代信息素分配策略 | 第59页 |
| 4.3.4 势场蚁群算法具体流程 | 第59-60页 |
| 4.4 实验结果分析 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 基于动态的无人机航迹规划技术研究 | 第64-71页 |
| 5.1 光流平衡法水平避障 | 第64-65页 |
| 5.2 基于视觉的无人机航迹规划系统流程 | 第65-66页 |
| 5.3 实验与分析 | 第66-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 全文工作总结 | 第71-72页 |
| 6.2 未来研究工作展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 攻读硕士期间间研究成果 | 第77页 |