| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题的背景及研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 深度学习国内外研究现状 | 第11-13页 |
| 1.2.2 目标检测技术国内外研究现状 | 第13-16页 |
| 1.2.3 双目定位国内外研究现状 | 第16-17页 |
| 1.3 本文研究内容及章节安排 | 第17-19页 |
| 第2章 数据集的建立和图像增强 | 第19-30页 |
| 2.1 引言 | 第19页 |
| 2.2 海参数据集的建立 | 第19-20页 |
| 2.3 数据扩充方法研究 | 第20-22页 |
| 2.3.1 图像的仿射变换 | 第21页 |
| 2.3.2 颜色抖动 | 第21-22页 |
| 2.3.3 图片添加噪声扰动 | 第22页 |
| 2.4 改进的白平衡暗通道优先的图像增强方法 | 第22-29页 |
| 2.4.1 水下图像的光学特性 | 第22-23页 |
| 2.4.2 水下图像特点 | 第23-24页 |
| 2.4.3 水下去雾 | 第24-27页 |
| 2.4.4 改进的白平衡暗通道优先原理的图像增强方法 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于深度学习的水下目标检测 | 第30-46页 |
| 3.1 引言 | 第30页 |
| 3.2 卷积神经网络 | 第30-34页 |
| 3.2.1 卷积神经网络基础结构单元 | 第30-32页 |
| 3.2.2 经典卷积神经网络 | 第32-34页 |
| 3.3 目标检测方法研究 | 第34-37页 |
| 3.3.1 基于区域的目标检测的方法研究 | 第34-35页 |
| 3.3.2 基于回归的目标检测的方法研究 | 第35-37页 |
| 3.4 改进的YOLOv2方法研究 | 第37-45页 |
| 3.4.1 YOLOv2目标检测原理 | 第37-39页 |
| 3.4.2 检测难点 | 第39页 |
| 3.4.3 改进方法 | 第39-42页 |
| 3.4.4 网络训练 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于感兴趣区域的双目立体视觉定位 | 第46-63页 |
| 4.1 引言 | 第46-47页 |
| 4.2 水下摄像机标定 | 第47-54页 |
| 4.2.1 摄像机模型 | 第47-48页 |
| 4.2.2 坐标变换 | 第48-50页 |
| 4.2.3 水下双目标定方法 | 第50-51页 |
| 4.2.4 水下双目实验 | 第51-53页 |
| 4.2.5 水下校正立体图像对 | 第53-54页 |
| 4.3 特征提取 | 第54-58页 |
| 4.3.1 特征提取算法概述 | 第54-55页 |
| 4.3.2 本文采用算法 | 第55-57页 |
| 4.3.3 对比实验 | 第57-58页 |
| 4.4 特征匹配 | 第58-60页 |
| 4.4.1 特征匹配算法概述 | 第58-59页 |
| 4.4.2 本文采用算法 | 第59-60页 |
| 4.4.3 对比实验 | 第60页 |
| 4.5 三维坐标定位 | 第60-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第5章 海底生物识别与定位实验系统设计及实验结果 | 第63-73页 |
| 5.1 引言 | 第63页 |
| 5.2 ROS软件平台介绍 | 第63-65页 |
| 5.3 目标检测实验结果与模型分析 | 第65-69页 |
| 5.3.1 目标检测实验结果 | 第65-68页 |
| 5.3.2 模型分析 | 第68-69页 |
| 5.4 目标定位实验结果与模型分析 | 第69-72页 |
| 5.4.1 目标定位实验结果 | 第69-71页 |
| 5.4.2 实验分析 | 第71-72页 |
| 5.5 本章小结 | 第72-73页 |
| 结论 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第80-81页 |
| 致谢 | 第81页 |