| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| ·研究背景及意义 | 第10页 |
| ·全方位视觉介绍 | 第10-13页 |
| ·全方位视觉简介 | 第10-12页 |
| ·全方位视觉的优缺点 | 第12-13页 |
| ·全方位视觉的应用 | 第13页 |
| ·国内外研究现状 | 第13-14页 |
| ·实验环境 | 第14-16页 |
| ·本文的主要工作及组织安排 | 第16-17页 |
| 第二章 动态目标的识别 | 第17-25页 |
| ·动态目标识别的基本方法 | 第17-22页 |
| ·光流法 | 第17-18页 |
| ·背景差法 | 第18-19页 |
| ·帧间差分法 | 第19-21页 |
| ·三帧差分法 | 第21-22页 |
| ·混合高斯背景模型 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 基于鱼眼镜头大视场下的动态目标识别算法的改进及实验 | 第25-34页 |
| ·常用动态目标识别算法的分析 | 第25-30页 |
| ·光流法 | 第25-27页 |
| ·帧间差分法 | 第27-28页 |
| ·三帧差分 | 第28-30页 |
| ·动态目标识别算法的改进 | 第30-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 动态目标的跟踪 | 第34-44页 |
| ·颜色空间 | 第34-36页 |
| ·RGB 模型 | 第34-35页 |
| ·HSV 模型 | 第35-36页 |
| ·图像的滤波方法 | 第36-39页 |
| ·卡尔曼滤波的基本原理 | 第37-39页 |
| ·Meanshift 算法 | 第39-43页 |
| ·N 维空间的无参密度估计 | 第40-42页 |
| ·Meanshift 算法的理论推导 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 基于鱼眼镜头大视场下的动态目标跟踪算法的改进及实验 | 第44-57页 |
| ·Camshift 算法 | 第44-47页 |
| ·Camshift 算法的改进 | 第47-50页 |
| ·卡尔曼滤波在动态目标跟踪中的应用 | 第50-53页 |
| ·卡尔曼滤波和 Camshift 算法的融合 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第六章 改进动态目标识别跟踪算法的全方位视觉 AGV 导航应用 | 第57-64页 |
| ·全方位视觉 AGV 导航介绍 | 第57-58页 |
| ·AGV 导航应用原理 | 第57-58页 |
| ·AGV 导航实验平台 | 第58页 |
| ·改进的动态目标跟踪算法在 AGV 平台上的导航应用 | 第58-63页 |
| ·复杂环境下的导航实验 | 第59-60页 |
| ·航标被遮挡与航标重现的导航实验 | 第60-61页 |
| ·光照变化对导航算法实验的影响 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第七章 总结与展望 | 第64-65页 |
| ·本文总结 | 第64页 |
| ·未来展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 发表论文和科研情况说明 | 第69-70页 |
| 致谢 | 第70-71页 |
