| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究意义 | 第9-12页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 研究目的及意义 | 第9-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 第2章 巡检机器人总体结构及障碍物识别分析 | 第16-24页 |
| 2.1 巡检机器人样机及系统组成 | 第16-18页 |
| 2.1.1 巡检机器人工作环境 | 第16-17页 |
| 2.1.2 高压线巡检机器人样机及系统组成 | 第17-18页 |
| 2.2 巡检机器人图像采集装置 | 第18-19页 |
| 2.2.1 摄像机的选择 | 第18页 |
| 2.2.2 摄像头安装方法 | 第18-19页 |
| 2.2.3 障碍物图像采集装置总体方案 | 第19页 |
| 2.3 巡检机器人障碍物识别分析 | 第19-23页 |
| 2.3.1 输电线路目标障碍物分析 | 第19-20页 |
| 2.3.2 障碍识别算法设计要求及难点分析 | 第20-21页 |
| 2.3.3 障碍识别算法组成及工作原理 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 高压线障碍物图像的处理与特征提取 | 第24-42页 |
| 3.1 障碍物视频图像的预处理 | 第24-25页 |
| 3.2 障碍物图像Haar-Like特征构造 | 第25-31页 |
| 3.2.1 Haar-Like矩形特征 | 第26-27页 |
| 3.2.2 矩形特征的表示 | 第27-29页 |
| 3.2.3 利用积分图快速计算Haar-Like矩形特征值 | 第29-31页 |
| 3.3 障碍物图像的HOG特征构造 | 第31-41页 |
| 3.3.1 HOG特征的提取过程 | 第31-38页 |
| 3.3.2 目标障碍物的HOG特征可视化 | 第38页 |
| 3.3.3 HOG特征的降维 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 高压线障碍物检测识别系统设计 | 第42-58页 |
| 4.1 基于Adaboost算法的障碍物识别方法 | 第42-48页 |
| 4.1.1 Adaboost算法 | 第43-45页 |
| 4.1.2 弱分类器和强分类器设计 | 第45-46页 |
| 4.1.3 分类结果分析 | 第46-48页 |
| 4.2 基于支持向量机的障碍物识别方法 | 第48-57页 |
| 4.2.1 支持向量机算法 | 第49页 |
| 4.2.2 支持向量机两分类原理 | 第49-54页 |
| 4.2.3 支持向量机多分类方法 | 第54-55页 |
| 4.2.4 支持向量机核函数和参数优化 | 第55-57页 |
| 4.2.5 分类结果分析 | 第57页 |
| 4.3 本章小结 | 第57-58页 |
| 第5章 实验系统与结果分析 | 第58-64页 |
| 5.1 开发环境与实验系统 | 第58页 |
| 5.2 实验样本选取 | 第58-60页 |
| 5.3 基于Adaboost和SVM结合的识别结果分析和优化 | 第60-63页 |
| 5.4 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第69-71页 |
| 致谢 | 第71页 |