| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第10-23页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题背景及意义 | 第10-12页 |
| 1.3 国内外发展现状及趋势 | 第12-20页 |
| 1.3.1 道路交通巡检方法及诱导系统的发展概况 | 第12-14页 |
| 1.3.2 运动环境下目标识别技术的研究发展概况 | 第14-16页 |
| 1.3.3 移动机器视觉在解决复杂环境下目标检测问题及其发展概况 | 第16-18页 |
| 1.3.4 云计算在海量交通大数据处理中的发展及应用 | 第18-20页 |
| 1.4 拟解决的主要问题 | 第20页 |
| 1.5 研究目标及主要内容 | 第20-21页 |
| 1.5.1 研究目标 | 第20页 |
| 1.5.2 研究内容 | 第20-21页 |
| 1.6 主要特色与创新 | 第21页 |
| 1.7 论文结构 | 第21-23页 |
| 第2章 在云计算支持下的基于多旋翼无人机和嵌入式系统的移动机器视觉解决方法及方案 | 第23-34页 |
| 2.1 概述 | 第23页 |
| 2.2 传统区域交通巡检方法及存在的局限性 | 第23-27页 |
| 2.2.1 传统区域交通的巡检方法 | 第23-25页 |
| 2.2.2 移动机器视觉和嵌入式系统在获取及处理复杂交通信息中的优势 | 第25-26页 |
| 2.2.3 云计算在面对解决复杂交通大数据问题中的优势 | 第26-27页 |
| 2.3 运动目标识别定位方法的比较分析 | 第27-29页 |
| 2.4 在云计算支持和多旋翼无人机的移动机器视觉解决思路及基本方案 | 第29-32页 |
| 2.4.1 基本原理 | 第29-30页 |
| 2.4.2 基于云的多旋翼无人机运动控制及管理模式 | 第30-31页 |
| 2.4.3 基于云的多旋翼无人机移动机器视觉模型 | 第31-32页 |
| 2.4.4 基于云的运动环境及目标状态检测框架 | 第32页 |
| 2.5 本章小结 | 第32-34页 |
| 第3章 基于多旋翼无人机和嵌入式计算的移动机器视觉云系统研究 | 第34-43页 |
| 3.1 概述 | 第34页 |
| 3.2 工作原理及基本思路 | 第34-35页 |
| 3.3 系统组成 | 第35-36页 |
| 3.3.1 基本组成及主要功用 | 第35-36页 |
| 3.3.2 体系结构 | 第36页 |
| 3.4 多旋翼无人机平台及嵌入式系统 | 第36-40页 |
| 3.4.1 多旋翼无人机系统及组成结构 | 第36-37页 |
| 3.4.2 多旋翼无人机技术特点及应用模式 | 第37-38页 |
| 3.4.3 嵌入式计算及处理系统 | 第38-40页 |
| 3.5 云计算处理与平台应用 | 第40-42页 |
| 3.5.1 云端系统架构 | 第40-41页 |
| 3.5.2 移动机器视觉云应用模式 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 面向移动机器视觉云的图像评价及成像优化算法 | 第43-54页 |
| 4.1 概述 | 第43页 |
| 4.2 运动环境下机载数字成像的主要影响因素分析 | 第43-44页 |
| 4.2.1 运动环境对成像质量的影响 | 第43页 |
| 4.2.2 机载平台运动特性对成像效果的影响 | 第43-44页 |
| 4.2.3 数字相机及光照条件对成像质量的影响 | 第44页 |
| 4.2.4 机载移动成像的主要因素分析 | 第44页 |
| 4.3 运动目标图像的评价方法及指标方法 | 第44-46页 |
| 4.3.1 几种常见图像评价方法比较分析 | 第44-45页 |
| 4.3.2 图像评价体系构建 | 第45-46页 |
| 4.3.3 图像评价指标及数学表述 | 第46页 |
| 4.4 基于改进的灰度方差的移动目标的无参考图像评价算法 | 第46-51页 |
| 4.4.1 基本原理与思路 | 第46-47页 |
| 4.4.2 传统的灰度方差评价方法 | 第47页 |
| 4.4.3 基于改进的灰度方差无参考图像评价方法设计 | 第47-48页 |
| 4.4.4 本文算法过程 | 第48-49页 |
| 4.4.5 仿真与结果分析 | 第49-51页 |
| 4.5 基于粒子群算法的移动机器视觉云成像优化算法 | 第51-53页 |
| 4.5.1 基本原理与思路 | 第51-52页 |
| 4.5.2 算法设计过程 | 第52-53页 |
| 4.5.3 仿真与结果分析 | 第53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 基于深度学习的城市道路交通巡检方法研究 | 第54-70页 |
| 5.1 概述 | 第54页 |
| 5.2 城市道路交通主要特性分析 | 第54-56页 |
| 5.2.1 城市道路交通系统 | 第54页 |
| 5.2.2 道路交通流主要特性 | 第54-55页 |
| 5.2.3 城市道路交通的时空特性 | 第55-56页 |
| 5.3 传统目标检测方法及其存在的不足 | 第56-59页 |
| 5.3.1 目标特征识别算法 | 第56-58页 |
| 5.3.2 分类算法 | 第58-59页 |
| 5.4 基于FasterR-CNN的目标检测算法 | 第59-66页 |
| 5.4.1 基本原理与思路 | 第59-60页 |
| 5.4.2 算法原理 | 第60-64页 |
| 5.4.3 仿真及结果分析 | 第64-66页 |
| 5.5 基于FasterR-CNN与匈牙利匹配法的运动目标识别与追踪方法 | 第66-69页 |
| 5.5.1 基本原理与思路 | 第66页 |
| 5.5.2 匈牙利匹配法 | 第66-67页 |
| 5.5.3 算法设计及过程 | 第67-68页 |
| 5.5.4 仿真及结果分析 | 第68-69页 |
| 5.6 本章小结 | 第69-70页 |
| 第6章 移动机器视觉云的模拟试验系统研发与实验研究 | 第70-80页 |
| 6.1 概述 | 第70页 |
| 6.2 模拟试验系统功能与性能设计 | 第70-72页 |
| 6.2.1 系统目标 | 第70页 |
| 6.2.2 系统功能设计 | 第70-71页 |
| 6.2.3 系统性能指标 | 第71-72页 |
| 6.3 系统组成与体系结构设计 | 第72-75页 |
| 6.3.1 体系结构设计 | 第72-73页 |
| 6.3.2 硬件结构设计 | 第73-74页 |
| 6.3.3 软件结构设计 | 第74页 |
| 6.3.4 系统操作使用及运行流程 | 第74-75页 |
| 6.4 试验系统研发及测试结果分析 | 第75-79页 |
| 6.4.1 基于云的移动机器视觉道路信息获取模拟实验系统 | 第75-77页 |
| 6.4.2 各子系统整体运行性能和试验结果分析 | 第77-79页 |
| 6.5 本章小结 | 第79-80页 |
| 第7章 总结与展望 | 第80-82页 |
| 7.1 总结 | 第80页 |
| 7.2 展望 | 第80-82页 |
| 参考文献 | 第82-85页 |
| 致谢 | 第85页 |
