| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究的背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 物体识别算法的研究现状 | 第13-14页 |
| 1.2.2 双目立体视觉研究现状 | 第14-16页 |
| 1.2.3 物体识别与定位研究现状 | 第16页 |
| 1.3 本文研究内容及章节安排 | 第16-19页 |
| 第2章 物体识别与定位基础理论 | 第19-37页 |
| 2.1 双目视觉基础原理 | 第19-25页 |
| 2.1.1 相机参考坐标系介绍 | 第19-20页 |
| 2.1.2 各个坐标系间的关系 | 第20-22页 |
| 2.1.3 相机畸变模型 | 第22-23页 |
| 2.1.4 双目视觉成像模型 | 第23-25页 |
| 2.2 卷积神经网络基础理论 | 第25-32页 |
| 2.2.1 卷积层 | 第26-28页 |
| 2.2.2 池化层 | 第28-29页 |
| 2.2.3 全连接层 | 第29页 |
| 2.2.4 输出层 | 第29-30页 |
| 2.2.5 反向传播和梯度下降 | 第30-32页 |
| 2.3 图像特征点匹配算法 | 第32-36页 |
| 2.3.1 图像特征点检测算法 | 第32-34页 |
| 2.3.2 图像特征点描述算法 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第3章 基于卷积神经网络物体识别 | 第37-51页 |
| 3.1 基于YOLO卷积神经网络模型的物体识别算法 | 第37-41页 |
| 3.1.1 YOLO卷积神经网络模型 | 第37-39页 |
| 3.1.2 YOLO卷积神经网络RPN算法 | 第39-40页 |
| 3.1.3 YOLO卷积神经网络损失函数 | 第40-41页 |
| 3.2 基于SSD卷积神经网络模型的物体识别算法 | 第41-45页 |
| 3.2.1 SSD卷积神经网络模型 | 第41-42页 |
| 3.2.2 SSD卷积神经网络RPN算法 | 第42-43页 |
| 3.2.3 SSD卷积神经网络NMS算法 | 第43-44页 |
| 3.2.4 SSD卷积神经网络损失函数 | 第44-45页 |
| 3.3 物体识别测试效果及分析 | 第45-49页 |
| 3.3.1 SDD和YOLO网络模型训练 | 第45-47页 |
| 3.3.2 物体识别评价标准 | 第47页 |
| 3.3.3 物体识别性能分析 | 第47-49页 |
| 3.4 本章小节 | 第49-51页 |
| 第4章 基于双目图像特征点匹配算法 | 第51-65页 |
| 4.1 基于双目图像边缘特征点匹配算法 | 第51-57页 |
| 4.1.1 降采样Canny边缘检测算法 | 第51-55页 |
| 4.1.2 改进SURF特征点描述算法 | 第55-56页 |
| 4.1.3 特征点匹配策略 | 第56-57页 |
| 4.2 基于双目图像多特征点融合匹配算法 | 第57-61页 |
| 4.2.1 基于多特征点融合检测算法 | 第57-59页 |
| 4.2.2 BRIEF描述子算法 | 第59-60页 |
| 4.2.3 特征点匹配策略 | 第60-61页 |
| 4.3 双目图像特征点匹配性能分析 | 第61-64页 |
| 4.3.1 基于边缘点特征匹配算法实验测试及分析 | 第61-63页 |
| 4.3.2 基于多特征点融合匹配算法测试效果及分析 | 第63-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 物体识别与定位实现与结果分析 | 第65-77页 |
| 5.1 双目视觉系统硬件平台搭建 | 第65-66页 |
| 5.2 物体识别与定位软件实现 | 第66-67页 |
| 5.3 物体识别与定位综合实现 | 第67-75页 |
| 5.3.1 双目相机立体标定 | 第67-71页 |
| 5.3.2 物体识别与定位性能分析结果 | 第71-75页 |
| 5.4 本章小结 | 第75-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第85-87页 |
| 致谢 | 第87页 |