| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-26页 |
| 1.1 研究背景和研究意义 | 第10-12页 |
| 1.2 安防机器人研究现状 | 第12-14页 |
| 1.3 人体检测、跟踪和身份识别研究现状 | 第14-22页 |
| 1.3.1 人体检测 | 第14-20页 |
| 1.3.2 人体跟踪 | 第20-21页 |
| 1.3.3 人体身份识别 | 第21-22页 |
| 1.4 研究内容与章节安排 | 第22-26页 |
| 1.4.1 研究内容 | 第22-23页 |
| 1.4.2 章节安排 | 第23-26页 |
| 第2章 小型家用安防机器人系统 | 第26-38页 |
| 2.1 安防机器人功能设计 | 第26-27页 |
| 2.2 移动机器人平台硬件结构 | 第27-30页 |
| 2.2.1 树莓派控制器 | 第28页 |
| 2.2.2 Arduino控制器 | 第28-30页 |
| 2.3 移动机器人平台与服务器间的视频传输 | 第30-32页 |
| 2.4 移动机器人平台路径规划 | 第32-36页 |
| 2.4.1 Q学习算法 | 第32-33页 |
| 2.4.2 基于遗传算法的室内环境路径规划 | 第33-34页 |
| 2.4.3 基于Q学习的动态避障 | 第34-35页 |
| 2.4.4 路径规划方案实验结果 | 第35-36页 |
| 2.5 本章小结 | 第36-38页 |
| 第3章 基于Fast-R-CNN的室内人体检测 | 第38-54页 |
| 3.1 基于热释电传感器的人体初步定位 | 第38-39页 |
| 3.2 基于Selective Search的目标区域提取 | 第39-43页 |
| 3.2.1 区域分割 | 第40-41页 |
| 3.2.2 相似度计算 | 第41-43页 |
| 3.3 深度神经网络结构 | 第43-46页 |
| 3.3.1 卷积神经网络 | 第43-45页 |
| 3.3.2 ROI层 | 第45-46页 |
| 3.3.3 Softmax分类器和线性回归函数 | 第46页 |
| 3.4 神经网络训练和数据集介绍 | 第46-49页 |
| 3.4.1 ROI层训练 | 第48页 |
| 3.4.2 分类层和线性回归层的训练 | 第48页 |
| 3.4.3 数据集介绍 | 第48-49页 |
| 3.5 实验结果分析 | 第49-52页 |
| 3.6 本章小结 | 第52-54页 |
| 第4章 基于单目摄像头和Camshift算法的室内人体跟踪 | 第54-64页 |
| 4.1 室内人体跟踪算法流程 | 第54页 |
| 4.2 基于摄像头标定技术和小孔成像模型的摄像头位置估计 | 第54-57页 |
| 4.2.1 单目摄像头标定 | 第55-57页 |
| 4.2.2 基于小孔成像模型的摄像头位置估计 | 第57页 |
| 4.3 基于Camshift算法的跟踪修正 | 第57-60页 |
| 4.3.1 Camshift算法流程 | 第57-58页 |
| 4.3.2 颜色特征提取 | 第58-59页 |
| 4.3.3 Meanshift跟踪算法 | 第59-60页 |
| 4.4 基于卡尔曼滤波器的运动轨迹估计 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第5章 基于形状索引特征的人脸检测和识别 | 第64-76页 |
| 5.1 形状索引特征 | 第64-66页 |
| 5.2 基于 3000FPS的人脸基准点提取 | 第66-67页 |
| 5.3 基于联合层叠模型的人脸检测 | 第67-71页 |
| 5.3.1 联合层叠模型算法流程 | 第68-69页 |
| 5.3.2 分类回归树 | 第69-70页 |
| 5.3.3 实验结果及其分析 | 第70-71页 |
| 5.4 基于联合贝叶斯模型的人脸识别 | 第71-74页 |
| 5.4.1 基于形状索引的高维度特征 | 第72页 |
| 5.4.2 联合贝叶斯模型 | 第72-74页 |
| 5.5 本章小结 | 第74-76页 |
| 总结与展望 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 攻读硕士学位期间所获得的研究成果 | 第84-86页 |
| 致谢 | 第86页 |
