一、USAN算法在实时系统中的实现（论文文献综述）
谭恒[1]（2021）在《基于双视图像的带式输送机异常状态检测》文中研究说明我国是煤炭开采与消费大国,煤炭企业的安全生产支撑着国民经济的稳定发展。带式输送机作为煤矿生产中的关键运输设备,经常处在高负荷运转状态下,加之矿井生产环境复杂恶劣,输送带在遇到异物摩擦、金属工具阻塞、托辊结构发生变化等因素下,容易发生输送带纵向撕裂和跑偏故障。输送带纵向撕裂会引起输送带局部温度过高,增加引发火灾的几率。输送带跑偏会造成输送机堆煤现象,进一步引起运输巷道封堵、输送带摩擦断裂、矿井火灾等事故。因此需要研究设计一套可以检测煤矿带式输送机异常状态的检测系统,保障带式输送机在生产作业时平稳安全运行。系统采用两个工业相机组成双目视觉成像系统,在辅助光源的作用下采集输送带图像,通过对两个相机拍摄的图像进行图像拼接来获得具有完整输送带视角的图像数据。由于煤矿下光照不足以及粉尘过多,导致采集的输送带图像质量较差,本文设计了图像预处理方案,对在煤矿井下采集到的图像进行噪声滤除、灰度增强、提高对比度等措施,同时对相关算法进行改进与性能提升,使采集到的输送带图像可以满足后续故障检测要求。针对输送带故障识别判定,分别设计了输送带纵向撕裂和输送带跑偏故障的检测方案。通过对输送带发生撕裂时图像中的几何特征进行分析,设计检测方案,优化相关算法,实现对几何特征的提取识别,达到检测的目的;通过提取输送带边缘直线并获取边缘直线的位置信息,计算输送带边缘的斜率以及与输送机支架的相对位置,实现对输送带跑偏故障的检测。同时,对Canny算法提出改进方法,经实验证明,改进后的算法可以极大地提升边缘检测效果。在检测系统的软件实现方面,搭建基于VS2015和Open CV3.4.0的软件开发环境,根据API函数接口实现计算机对可编程相机进行捕捉和调用;其次采用C++编程语言编写图像处理算法和故障识别算法程序,对输送带图像中的故障特征进行识别判定;最后结合MFC应用程序框架,编写上位机远程监控界面,同时结合MFC ODBC数据库功能实现对故障数据的保存和管理,以便于后于进行故障成因分析,可以更好地预防输送带故障。最后,在搭建模拟实验平台,实现整个检测系统的基础上,对各个子系统功能开展实验测试与性能分析,结果表明系统可以准确地检测出输送带撕裂状态下的图像角点与直线特征,实现对输送带纵向撕裂的检测;对改进后边缘检测算法进行性能分析,实验结果表明,经算法处理后的图像C/A值和C/B值较原算法有了很大的改进,可以准确检测出输送带边缘位置信息,实现对跑偏故障的准确识别。整个检测系统的算法运行时间在25ms-30ms之间,可以满足系统的实时性要求。本课题的研究可以提高煤矿带式输送机的运行平稳性,对输送带故障监控和保障煤矿生产效率具有重要意义。
符金鑫[2]（2021）在《基于无标定视觉伺服的微动平台精密运动控制研究》文中研究指明视觉机器人伺服是一种控制系统,它使用收集的图像信息作为反馈信号来引导机器人执行任务。在基于图像的视觉伺服系统中,图像特征变化与机器人关节角变化之间的关系是非线性的,传统的标定方法在实际的生产生活中尤其是面临较为复杂的现场环境时往往难以取得较好的标定效果进而影响视觉伺服的精度和任务完成的速度。无标定技术自被提出以来就受到了广泛的关注,基于无标定技术的视觉伺服在未知的工作条件和较为复杂的工作任务时具有较强的适应性。本文以三菱机械臂为研究对象,设计了基于无标定技术的视觉伺服控制系统。首先对采集到的图像信息进行图像滤波、增强等预处理,利用Canny等算子对处理后的图像进行阈值分割,获取目标的轮廓信息,利用基于图像矩的改进模板匹配算法对目标图像进行识别工作;其次构建了基于反向传播神经网络和遗传算法（GA-BP）混合优化的视觉伺服控制器,利用遗传算法优化神经网络初始权重和阈值,加快了图像处理的速度和精度;最后提出了一种基于极限学习机和粒子群优化遗传算法（ELMPSO-GA）的机械臂逆解算法,结合了遗传算法全局搜索能力强和粒子群算法局部搜索能力强的特点,提高了机械臂逆解精度,实现了对机械臂的精密控制。本文设计并建立了基于无标定技术的视觉伺服控制系统,实验结果表明,所提控制器相较于传统控制方法而言具有更好控制效果,可以使末端执行机构以更快的速度完成更高精度的任务,实现了对其进行精密控制的功能,为机器人控制提供了一种有效的控制方法。
张延苏[3]（2020）在《基于面阵扫描系统的红外弱小目标检测》文中提出红外面阵扫描系统具有环境适应性好、抗干扰能力强、分辨率高、隐蔽性好等优势,正逐渐得到越来越广泛的应用,因此对基于面阵扫描系统的红外弱小目标检测技术的研究具有很高的应用价值。本文首先介绍了面阵扫描系统的成像原理和成像特点,面阵扫描系统的成像特点对目标检测技术提出了很高的要求。然后介绍了面阵扫描系统的工作流程,并分别介绍了系统中各个部分的组成和功能。最后指出了本文研究的核心部分和重点部分,为下面章节的展开奠定了基础。本文的核心内容为基于面阵扫描系统的红外弱小目标检测算法研究,包括弱小目标的增强算法和检测算法。首先研究了红外弱小目标增强算法,考察了3种弱小目标增强算法,在MATLAB中对3种算法进行了仿真。根据仿真结果,最终采用先腐蚀再中值滤波最后膨胀的方式对弱小目标进行增强。本文研究了红外弱小目标的检测算法,首先介绍了常用的SUSAN、Harris、FAST角点检测算法,并将以上常用的角点检测算法在MATLAB上进行了仿真,根据处理结果进行对比,最终选用FAST算子对本文的弱小目标进行检测。然后针对FAST角点检测算法依赖于人工设定阈值的缺点对其进行了改进,主要思想为在一帧红外图像的任意一个像素点为待测中心点时,生成一个合适的动态阈值对待测中心点进行FAST目标检测。改进的自适应阈值的FAST弱小目标检测算法可以根据不同的环境自动生成合适的阈值,避免了由于阈值选择不当造成的红外弱小目标的冗余或丢失问题。本文研究的重点部分是将以上弱小目标增强算法和检测算法在FPGA（Fiel d Programmable Gate Array）上实现,在Modelsim中仿真,并将算法在硬件平台上实时测试,测试结果表明,本文的弱小目标增强和检测算法的平均检测率为98.38%,平均虚警率为3.31%,与传统检测算法相比,具有更高的检测率和更低的虚警率。本文的基于FPGA的目标检测技术在算法处理时间性能上约为传统的基于FPGA+DSP的目标检测技术的11961.30倍,因此本文的检测方法能够根据一帧图像信息准确快速地检测出弱小目标,适用于面阵扫描系统。
候慧敏[4]（2020）在《基于工艺安全的汽车发动机缸体涂胶检测标定技术研究》文中指出随着工业化的快速发展、私家车的普及,车辆本身的性能安全已成为人们追求的目标。发动机是汽车最关键的零部件,发动机的质量对汽车的整体质量起决定作用,而缸体密封性的好坏对发动机的质量起决定性作用,进而影响汽车整体的安全性;在整个发动机缸体涂胶系统中,摄像机标定又是发动机涂胶系统中关键的一环,通过对相机进行标定可以消除图像畸变,进而使得胶线的检测更加准确。本课题对基于工艺安全的汽车发动机缸体涂胶检测系统中的摄像机标定方法进行了设计与研究,摄像机标定的稳定性与标定精度是机器视觉系统成功应用到自动化生产领域的关键环节。本文主要对摄像机标定方面的相关内容进行研究。首先对基于灰度图像角点检测中的两种算法:经典SUSAN算法与Harris算法原理进行介绍,通过实验对比,选择适合本文角点检测的算法。其次,对于摄像机标定中用到的标定模板角点提取方面,重点研究了Harris算法,并在此基础上进行优化;首先对图像初始角点的筛选通过FAST算法实现,然后利用Harris自适应阈值方法对筛选角点进行二次筛选,以二次筛选的角点为初始值进行迭代运算可得到亚像素级角点,实验结果表明优化后的Harris算法提取角点的速度与效率都得到了提高。最后为验证本文算法有助于提高摄像机的标定精度,本文采用基于移动平面模板的标定法进行摄像机标定,首先采用Heikkila模型求取摄像机的径向畸变系数与切向畸变系数,然后利用LM算法对求解参数进行优化,得出最终解;将本文标定结果与Matlab标定工具箱标定结果对比,得出采用本文方法进行摄像机标定的标定精度更高。标定实验完成后,本文对实验室条件下的测试涂胶零件的涂胶质量检测进行实验,实验结果表明涂胶测试软件可准确检测出测试零件的胶线有无、是否存在断胶以及宽胶。
巩固[5]（2020）在《矿井环境下机器人目标识别算法研究》文中研究说明煤矿灾害事故发生后,井下地形环境错综复杂,随时可能发生二次灾害事故,如果救援人员贸然进入井下灾害现场实施救援受困人员和探测灾害情况,将可能受到不可想象的二次人身灾难的伤害。因此迫切需要研发煤矿救援机器人,替代地面救援人员进入井下灾害现场,代替救援人员实施灾害环境的探测任务。本文研究煤矿救援机器人实现煤矿井下环境目标识别为核心,以实验室研制的CUMT系列煤矿救援机器人为平台,研究煤矿救援机器人的目标识别算法与实现。由于灾后煤矿井下环境存在光照度低、湿度大、颗粒粉尘密度大等特点,给煤矿救援机器人实现目标识别与行走造成非常大的困难。为了解决机器人物体识别、避开障碍物等问题,本文主要进行以下研究工作:针对煤矿救援机器人采集不清晰、含有噪声的井下视频图像对机器人视觉目标识别造成的影响,采用视频图像分析与预处理方法,研究与分析机器人视觉采集的煤矿井下环境信息,在图像增强、尺度变换、图像复原等方面进行分析与预处理,提出偏微分方程（PDE）应用到煤矿救援机器人视觉算法数据信息处理中,煤矿救援机器人的目标识别算法利用处理后的视觉图像进行处理煤矿环境中物体特征信息,为煤矿救援机器人视觉识别获得良好的煤矿井下环境视频图像信息。针对煤矿救援机器人识别煤矿井下环境特征信息问题,研究视频图像中物体的角点特征信息和边缘轮廓特征信息,研究与分析Moravec角点检测算法、Harris角点检测算法、SUSAN角点检测算法和MIC角点检测算法等重要角点特征信息检测算法和Canny边缘检测算法,并对Harris角点检测算法和Canny边缘检测算法进行改进,改进后的角点与边缘检测算法具有非常好的鲁棒性,为煤矿救援机器人获得非常好的物体角点特征信息和边缘特征信息。针对机器人运动视频图像实时处理问题,提出并分析光流场分析方法、帧间差分法和背景差分法等,研究煤矿救援机器人在煤矿井下行走时,利用视觉采集到的实时视频图像信息感知煤矿井下环境,检测与识别机器人前进中前方环境中的物体和障碍物,建立机器人自身所处的环境信息,改进帧间差分法,改进后的帧间差分法更有利于机器人实现实时视频信息处理。为了验证煤矿救援机器人目标识别算法的有效性和鲁棒性,进行了机器人的几种不同环境下的目标识别试验。首先研究与分析双目摄像机立体标定和单目视觉系统标定,通过算法确定双目摄像机左右镜头的标定和单目摄像机的标定,然后在室内环境、地下车库环境和煤矿瓦斯井巷实验环境下实现煤矿救援机器人在视觉识别障碍物和周围环境物体支持下的目标识别试验,验证了提出的目标识别算法的良好的鲁棒性,达到了良好的效果。为了验证煤矿救援机器人在纯视觉目标识别算法支持下实现自主行走,通过室内试验、地下车库和煤矿瓦斯实验基地等验证本文提出目标识别方法,基于纯视觉识别环境信息算法实现煤矿救援机器人自主行走中目标识别、障碍物识别和避障等,实现机器人基于纯视觉识别算法的自主行走,虽然每次试验机器人连续自主行走时间在数分钟左右,但试验结果验证了提出的目标识别算法的有效性和实时性,为煤矿救援机器人实现智能感知环境提供了坚实的目标识别算法理论研究。该论文有图111幅,表23个,参考文献166篇。
周灿[6]（2020）在《基于双目视觉的车辆行驶跑偏测试方法研究》文中指出对下线车辆做行驶跑偏检测,对杜绝有潜在行驶跑偏缺陷的车辆应用到市场具有重要意义。根据不同厂家对车辆行驶跑偏测试系统提出的技术要求,本文重在形成基于双目视觉的跑偏测试方案,主要从以下几个方面进行了研究:首先,将双目检测运用到车辆行驶跑偏测试系统中,进行总体设计与建模,通过视觉测量的方案对比,确定了龙门架式的双目测试方案,基于此方案阐述了系统测试原理、工作流程;从图像的采集与处理模块、数据传输与通信模块、车辆身份辨识模块等方面对系统做介绍及选型。其中,采用ETC进行车辆身份辨识的设计,将手持终端的IP地址与相应车载电子标签相互绑定,将测点开启有效率提高到100%,该方法不仅提升了测试效率,同时也保障了车辆信息的准确性与测试过程的安全性。其次,为提升图像采集与处理系统的抗干扰能力,对不同光强度下的图像处理自适应调节:提出基于图像质量的混合噪声降噪算法,通过构建噪声分类字典与图像质量评估模型,使用预先训练好的精降噪模型执行精准降噪,该算法在PSNR值、视觉效果上较经典降噪算法均有显着提升;为解决MSR增强图像存在的细节模糊问题,用引导滤波法保持边缘信息,增强图像细节,然后再用低秩分解去除稀疏噪声,提升了图像内容丰富度。然后,提出并设计了基于阈值选取和区域自适应的边缘检测策略,重定义的边缘阈值选择算法对边缘更加敏感,相似度阈值随掩膜区域变化自适应调整,抗噪鲁棒性更强;改进SURF算法,通过改进高斯模糊处理算法优化特征点候选值的确定和尺度空间的生成。在此基础上创新性地提出自适应ROI的车辆行驶跑偏特征匹配算法,准确地定位出目标标识并进行特征点对匹配计算。最后,基于MATLAB开发平台,研究双目相机及系统的标定,并进行了图像校正分析;搭建了跑偏测试的实验平台,进行了双目视觉测车辆行驶跑偏量方案的实验验证,分析了算法在实际测试中的鲁棒性。通过设置人工测量对比实验,验证了本文设计的双目视觉方法测车辆行驶跑偏量的方案具有一定的准确性和有效性,对于跑偏测试系统的设计改进具有重要的实践意义。
李婉[7]（2020）在《增强现实下的虚实融合跟踪注册技术研究》文中提出近年来,增强现实技术的应用前景广阔。随着计算机图形学的理论发展,虚实融合的效果越来越逼真、多样。作为增强现实的核心技术,三维跟踪注册技术、融合成像技术、人机交互技术受到了学者们的广泛关注,其中跟踪注册技术的性能直接决定了系统最终呈现效果。由于成本低、易用性好,基于计算机视觉的跟踪注册技术一直是增强现实领域研究的热点。本文针对增强现实技术中的图像特征匹配技术、跟踪注册技术和虚实融合成像技术展开研究。具体工作如下:（1）提出了一种基于圆形模板优化的快速特征点提取和描述算子。传统的图像特征匹配算法无法满足增强现实系统的实时性和准确性要求,虽然ORB（Oriented FAST and Rotated BRIEF,简称ORB）算法在速度和精度上都具有良好的性能,但仍有很大的提升空间。因此,引入圆形模板剔除特征提取的伪角点,减少特征点冗余,提高二进制描述和匹配速度,降低误配率。（2）提出一种基于逆向组合算法的网格目标跟踪方法（Inverse CompositionSubgridding Motion,简称IC-SM）。传统跟踪方法是通过全局像素点判别的跟踪,其计算效率低,且在复杂环境下稳定性差。在跟踪时将图像特征点附近的区域拆分成多个子网络,从中选择高梯度的网格进行局部跟踪。实验证明基于改进ORB算法的特征匹配结合IC-SM算法的目标跟踪方法在跟踪成功率、跟踪准确率和速度上均有显着提升。（3）实现多模式虚实融合跟踪效果。基于改进ORB与IC-SM算法的目标跟踪结果,结合利用单应性矩阵求解的摄像机外参,进行注册定位。将离线状态下渲染的虚拟模型通过Shader Lab进行多模式显示处理,并与当前帧下的视频数据融合。设计操作界面,通过外接鼠标实现交互,提供了一种灵活、多样的融合显示模式。
胡铁[8]（2020）在《汽车复杂构件形貌测量关键技术研究》文中研究表明一般而言,大型复杂曲面三维形貌测量系统往往要求自身具有较高的在线柔性和实效性。但目前已问世的部分商品化测量系统,在使用的过程中,通常需要进行贴点处理或者基于机器人基坐标系进行点云的全局拼接,这很大程度地降低了测量精度和测量效率,且影响了产品三维信息的完整表达。因此,针对以上问题,本文尝试构建出一个在线柔性测量系统,该系统将形貌传感器与机器人相结合,借助i GPS对形貌传感器进行全局跟踪定位,实现了非贴点测量下点云数据的高效配准。本文主要的研究工作如下:首先,使用ATOS扫描仪、安川HP20、Robodk离线编程软件以及i GPS定位跟踪系统,构建出测量系统数学模型,并基于CAD数模信息提出了一种自适应测量方法。与传统的等步长测量方法相比,该方法具有更高的测量精度和效率。另外,基于测量系统数学模型,提出了一种融合5特征点的手眼标定方法,并对各坐标系间的转换关系进行理论推导。其次,对HP20机器人运动学正逆解算法进行推导和仿真验证。同时,对几种常用轨迹规划方法进行分析,通过Matlab软件在关节空间和笛卡尔空间进行仿真对比,验证了机器人运动过程的稳定性和实用性。然后,对常用的特征点检测算子进行分析比较,提出了一种基于八叉-KD索引结构的改进SIFT算法。该方法通过八叉-KD结构索引,加快了最近邻域点的定位,缩短了算法的搜索时间。同时,采用改进RANSAC算法和法向量余弦夹角对特征点对进行双重筛选,提高了配准的精度。最后,通过采用Visual Studio软件并借助第三方工具开源点云库PCL,实现车门和车前盖等实例的自动配准。实验表明:（1）点云数据的每一笔配准误差都控制在±mm1.0之内;（2）配准时间比原有算法减少%30。
承文杰[9]（2019）在《无人机航拍图像拼接技术研究与实现》文中研究指明无人机航拍是以无人机为载体,搭载遥感设备获取信息,并利用图像处理技术优化后获得最终图像。相比卫星遥感等系统,无人机航拍灵巧轻便、造价低廉、性能优越,在航拍领域中更具优势。无人机航拍被广泛地用于危险区域侦查、战场侦查、海洋环境监测、自然灾害监测等,然而,无人机航拍过程中由于飞行高度、相机焦距等因素的局限,单张图像很难全面地显示目标区域,因此通常做法是拍摄多幅图像进行自动拼接。随着无人机航拍应用领域不断增多,其图像拼接技术得到众多科学家的关注,图像处理技术开始步入高速发展阶段。本文分析研究了当前关于图像拼接技术的研究成果和应用现状,提出近年来这一技术领域把基于特征点的拼接方法作为研究重心和发展方向。主要研究内容包括图像预处理、特征检测、图像配准和图像融合。图像预处理是对采集到的图像执行灰度化与锐化处理,以简化图像计算工作量和提升图像清晰度,另外还需要对图像进行几何校正从而减少图像畸变带来的影响。特征检测是利用检测算子检测与提取图像特征信息,在图像拼接过程中,若直接利用SIFT算法提取图像特征点,获取的特征点数量将会非常多,导致图像配准流程工作量大幅增加,配准效率降低。为避免该问题,本次研究采用了 SURF算法,并引入Hessian检测子提升特征点集的稳定性,提前去除稳定性差的边缘点,从而提高算法效率。图像配准是将图像进行匹配、叠加的过程,在图像特性提取以后使用几何变换进行特征匹配,本文采用改进的k-d树BBF算法来提高匹配效率,然后使用随机抽样一致算法去除错误的匹配点。图像融合是将两张或者多张图像融合成一张的过程,本文分析研究了图像融合的层级以及四种常见的融合方法并采用小波变换融合法进行图像融合。实验结果表明,在特征检测时,引入Hessian检测子后,虽然SURF算法的特征点提取数量大幅减少,但是与SIFT算法相比,其有着更高的准确度和效率。在图像配准时,改进的BBF算法配准能力相对更强,匹配速度和效率都大大提高,并且抗干扰能力更强。该系统能够简单方便的进行处理,最终形成拼接图像,效果优良。
贺超宇[10]（2019）在《基于智能移动终端的视频运动目标检测算法研究》文中研究说明运动目标检测技术是计算机视觉领域最为基础的一环,该技术主要根据视频中背景区域与运动区域像素点变化的不同,从视频中提取感兴趣的目标,目标检测的质量会直接对后续的跟踪,监控,异常行为检测等目的造成影响。传统的固定摄像头摄取的视频大多数都处于静态背景,而近年来随着智能手机及航拍器等移动设备的普及,人们通过智能移动设备摄取的视频信息也逐年增多,通过智能终端直接检测视频中运动目标可以减少人力消耗。但由于环境影响及拍摄时设备的移动,这些视频的背景都不再静止。因此,针对上述问题,本文综合考虑智能终端的硬件限制及内存消耗,结合背景补偿算法,设计实现基于智能移动终端的视频运动目标检测算法。本文的主要研究内容如下:1.针对摄像设备移动导致的背景偏移问题,研究分析传统的背景补偿算法,提出基于改进SURF算子的背景补偿算法。首先通过SURF算子对被检测图像进行特征提取,再通过二进制的特征描述算法对特征点进行描述,然后通过汉明距离进行匹配及RANSAC算法剔除误匹配点。相较传统算法,改进算法在提升实时性的同时,具备较高的准确性及鲁棒性。实验证明,本文算法在尺度,旋转角度及光照强度不同的条件下,都具有良好的匹配效果。2.针对智能移动终端的硬件限制及动态背景检测问题,本文提出了结合背景补偿算法的改进Vibe算法。首先根据视频的第一帧建立背景模型,在根据背景补偿算法及更新的模型对视频序列的每一帧进行匹配补偿,使视频的每一帧背景与移动设备保持相对静止。并对Vibe法更新阶段的更新因子进行恒定,同时结合边缘检测算法及形态学完善目标检测效果。经实验证明,本文算法在动态背景下表现出良好的检测效果。3.针对目标检测在智能移动上的应用研究,为满足移动智能监控的需求,设计实现基于智能移动终端的背景补偿及视频运动目标检测系统。该系统基于Open CV库及Android开发平台并结合本文提出的背景补偿和目标检测算法。除具备上述算法的优点外,该系统对背景补偿及目标检测的效率较高,在移动状态下检测效果良好,同时开发成本较低。
二、USAN算法在实时系统中的实现（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、USAN算法在实时系统中的实现（论文提纲范文）
（1）基于双视图像的带式输送机异常状态检测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究状况分析 |
| 1.2.1 输送带纵向撕裂检测研究现状 |
| 1.2.2 输送带跑偏故障检测研究现状 |
| 1.2.3 机器视觉发展研究现状 |
| 1.3 论文研究内容和结构安排 |
| 第二章 输送机异常检测系统方案设计 |
| 2.1 输送机检测系统结构 |
| 2.1.1 检测系统结构设计 |
| 2.1.2 双视成像系统原理分析 |
| 2.2 检测系统硬件选型 |
| 2.2.1 图像采集装置 |
| 2.2.2 辅助光源选型 |
| 2.3 双视图像拼接方法与实验验证 |
| 2.3.1 重叠区域推导 |
| 2.3.2 重投影面选择与图像拼接实现 |
| 2.4 图像预处理算法研究与实验分析 |
| 2.4.1 图像中值滤波原理分析 |
| 2.4.2 图像均值滤波原理分析 |
| 2.4.3 均值滤波算法改进方案与实验验证 |
| 2.4.4 图像增强方法与实验验证 |
| 2.5 本章小结 |
| 第三章 输送带纵向撕裂检测方案设计 |
| 3.1 输送带纵向撕裂特征分析 |
| 3.2 输送带撕裂图像灰度变换 |
| 3.2.1 图像线性灰度变换 |
| 3.2.2 图像分段线性灰度变换 |
| 3.2.3 图像非线性灰度变换 |
| 3.3 输送带纵向撕裂故障特征检测 |
| 3.3.1 角点特征检测方法及实验验证 |
| 3.3.2 直线特征检测方法及实验验证 |
| 3.4 输送带纵向撕裂故障定位 |
| 3.5 本章小结 |
| 第四章 输送带跑偏故障检测方案设计 |
| 4.1 输送带跑偏故障特征分析 |
| 4.2 输送带跑偏图像边缘提取 |
| 4.2.1 边缘直线检测算法 |
| 4.2.2 Canny检测算法原理分析 |
| 4.2.3 Canny检测算法改进与性能提升研究 |
| 4.2.4 改进Canny检测算法实验对比 |
| 4.3 输送带跑偏故障判定方法 |
| 4.3.1 输送带扭曲故障判定 |
| 4.3.2 输送带偏移故障判定 |
| 4.4 本章小结 |
| 第五章 系统软件结构方案设计与实验验证 |
| 5.1 系统软件结构设计 |
| 5.2 OpenCV基本架构 |
| 5.2.1 OpenCV概述 |
| 5.2.2 OpenCV基本架构 |
| 5.3 软件开发环境配置 |
| 5.3.1 CCD相机配置与编程 |
| 5.3.2 MFC框架与环境配置 |
| 5.4 上位机软件界面设计 |
| 5.4.1 登录界面设计 |
| 5.4.2 检测系统主界面设计 |
| 5.5 系统测试运行与实验结果分析 |
| 5.5.1 实验平台搭建与测试 |
| 5.5.2 改进Canny算法性能分析 |
| 5.5.3 故障检测算法性能实验分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（2）基于无标定视觉伺服的微动平台精密运动控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的和意义 |
| 1.3 基于视觉伺服的微动平台研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本课题研究内容及组织结构 |
| 1.4.1 本课题研究的主要内容 |
| 1.4.2 论文内容结构安排 |
| 第2章 常用视觉伺服控制方法概述 |
| 2.1 视觉伺服控制原理 |
| 2.2 视觉伺服控制分类 |
| 2.3 视觉伺服模型标定法与无标定法 |
| 2.3.1 标定法 |
| 2.3.2 无标定法 |
| 2.4 自动对焦系统设计 |
| 2.4.1 图像清晰度评价函数 |
| 2.4.2 自动对焦系统设计 |
| 2.5 常用的视觉伺服控制算法 |
| 2.5.1 逆雅克比矩阵法 |
| 2.5.2 PID算法 |
| 2.5.3 任务函数法 |
| 2.5.4 自适应控制算法 |
| 2.5.5 智能视觉伺服算法 |
| 2.6 本章小结 |
| 第3章 目标图像处理与分析 |
| 3.1 图像预处理与边缘检测 |
| 3.1.1 颜色空间转换 |
| 3.1.2 图像滤波 |
| 3.1.3 图像灰度化与增强 |
| 3.2 图像分割与轮廓提取 |
| 3.2.1 图像二值化 |
| 3.2.2 图像边界分割 |
| 3.2.3 目标特征提取 |
| 3.3 基于改进模板匹配的多目标识别 |
| 3.4 实验分析 |
| 3.4.1 图像边缘提取实验 |
| 3.4.2 模板匹配实验 |
| 3.5 本章小结 |
| 第4章 无标定图像视觉伺服控制器设计 |
| 4.1 图像雅克比矩阵建立 |
| 4.2 基于图像的视觉伺服框架设计与稳定性分析 |
| 4.3 视觉伺服控制器设计 |
| 4.3.1 神经网络结构基础 |
| 4.3.2 遗传算法简介 |
| 4.3.3 混合优化遗传BP网络视觉伺服控制器 |
| 4.4 仿真实验 |
| 4.5 本章小结 |
| 第5章 末端执行机构运动学求解算法设计 |
| 5.1 机器人运动学基础 |
| 5.1.1 位置描述 |
| 5.1.2 方位描述 |
| 5.1.3 坐标变换 |
| 5.1.4 运动位姿表示 |
| 5.1.5 运动学方程推导与模型建立 |
| 5.2 正逆运动学分析与求解 |
| 5.2.1 正运动学分析 |
| 5.2.2 逆运动学分析 |
| 5.3 机器人动力学 |
| 5.4 基于ELM-PSO-GA末端执行机构逆解算法 |
| 5.4.1 极限学习机ELM |
| 5.4.2 PSO-GA算法 |
| 5.4.3 基于ELM-PSO-GA的机械臂逆解算法 |
| 5.5 实验分析 |
| 5.5.1 ELM与 ANN对比分析 |
| 5.5.2 主流优化算法逆解性能对比分析 |
| 5.5.3 ELM-PSO-GA算法逆解结果及对比分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士期间研究成果 |
（3）基于面阵扫描系统的红外弱小目标检测（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外搜索跟踪系统的发展概况 |
| 1.2.2 红外弱小目标检测技术的研究现状 |
| 1.3 本文主要研究内容及结构安排 |
| 第2章 红外面阵扫描系统简介 |
| 2.1 引言 |
| 2.2 面阵扫描系统的成像 |
| 2.2.1 成像原理 |
| 2.2.2 成像特点 |
| 2.3 面阵扫描系统的组成 |
| 2.3.1 光学系统 |
| 2.3.2 红外探测器 |
| 2.3.3 信号处理系统 |
| 2.3.4 显示系统 |
| 2.4 本章小节 |
| 第3章 红外弱小目标增强算法研究 |
| 3.1 引言 |
| 3.2 图像处理的基本方法 |
| 3.2.1 形态学滤波算法 |
| 3.2.2 中值滤波算法 |
| 3.3 红外弱小目标增强算法 |
| 3.4 红外弱小目标增强算法评估 |
| 3.5 本章小节 |
| 第4章 红外弱小目标检测算法研究 |
| 4.1 引言 |
| 4.2 特征点检测算法研究 |
| 4.2.1 SUSAN特征点检测算法 |
| 4.2.2 Harris特征点检测算法 |
| 4.2.3 FAST特征点检测算法 |
| 4.2.4 几种特征点检测算法的比较 |
| 4.3 自适应FAST特征点检测优化算法 |
| 4.4 本章小结 |
| 第5章 目标检测系统的设计与实现 |
| 5.1 引言 |
| 5.2 硬件平台介绍 |
| 5.3 视频输入与输出模块 |
| 5.4 图像处理算法模块 |
| 5.4.1 目标增强算法的FPGA实现 |
| 5.4.2 目标检测算法的FPGA实现 |
| 5.5 目标检测结果与分析 |
| 5.5.1 算法仿真结果 |
| 5.5.2 硬件资源消耗 |
| 5.5.3 算法有效性检验 |
| 5.5.4 算法实时性检验 |
| 5.6 本章小节 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）基于工艺安全的汽车发动机缸体涂胶检测标定技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 机器视觉 |
| 1.3.2 角点检测 |
| 1.3.3 摄像机标定 |
| 1.4 本文主要研究内容 |
| 第2章 摄像机标定理论分析 |
| 2.1 摄像机成像模型 |
| 2.1.1 摄像机标定中涉及的坐标系 |
| 2.1.2 小孔成像模型 |
| 2.1.3 非线性成像模型 |
| 2.1.4 需要标定的参数 |
| 2.2 标定物的选择 |
| 2.3 本章小结 |
| 第3章 图像角点检测 |
| 3.1 SUSAN角点检测算法 |
| 3.1.1 算法的原理 |
| 3.1.2 算法步骤 |
| 3.2 Harris角点检测算法 |
| 3.2.1 算法原理 |
| 3.2.2 算法步骤 |
| 3.3 Harris算法的优化 |
| 3.4 实验结果 |
| 3.4.1 结果分析 |
| 3.5 本章小结 |
| 第4章 基于移动平面的摄像机标定 |
| 4.1 单应性矩阵求解 |
| 4.1.1 摄像机内外参求解 |
| 4.2 摄像机畸变系数的优化 |
| 4.3 摄像机标定参数的非线性优化 |
| 4.4 实验系统介绍 |
| 4.5 实验流程图 |
| 4.6 标定过程与标定结果 |
| 4.6.1 图像采集 |
| 4.6.2 采集图像角点提取实验 |
| 4.6.3 摄像机标定结果与分析 |
| 4.7 本章小结 |
| 第5章 涂胶系统检测与安全性能分析 |
| 5.1 实验室条件下的涂胶视觉系统测试 |
| 5.1.1 实验测试 |
| 5.1.2 检测结果分析 |
| 5.2 涂胶胶线质量检测系统的影响因素及系统安全性能分析 |
| 5.2.1 涂胶胶线质量检测系统稳定性的影响因素 |
| 5.2.2 涂胶胶线质量检测系统安全性能分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所开展的科研项目和所发表的学术论文 |
（5）矿井环境下机器人目标识别算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究目标 |
| 1.4 研究内容 |
| 1.5 研究技术路线 |
| 1.6 论文结构安排 |
| 2 煤矿井下环境视频图像分析与预处理 |
| 2.1 引言 |
| 2.2 视频图像分析 |
| 2.3 煤矿井下视频图像预处理 |
| 2.4 视频图像变换处理 |
| 2.5 PDE在视频图像处理中的应用 |
| 2.6 本章小结 |
| 3 煤矿井下视频图像角点信息检测算法 |
| 3.1 引言 |
| 3.2 几种角点检测算法 |
| 3.3 Harris算法的改进研究 |
| 3.4 Harris改进算法在煤矿救援机器人中的应用 |
| 3.5 本章小结 |
| 4 煤矿井下视频图像边缘轮廓信息检测算法 |
| 4.1 引言 |
| 4.2 边缘预处理 |
| 4.3 Canny算法 |
| 4.4 Canny算法的改进 |
| 4.5 Canny改进算法在煤矿救援机器人中的应用 |
| 4.6 本章小结 |
| 5 煤矿救援机器人运动视频图像分析 |
| 5.1 引言 |
| 5.2 运动视频图像的光流场分析 |
| 5.3 运动视频图像的帧间差分法 |
| 5.4 运动视频图像的背景差分法 |
| 5.5 本章小结 |
| 6 煤矿救援机器人目标识别试验与分析 |
| 6.1 引言 |
| 6.2 试验环境 |
| 6.3 视觉系统 |
| 6.4 视觉系统标定 |
| 6.5 机器人环境物体识别试验 |
| 6.6 试验效果分析 |
| 6.7 本章小结 |
| 7 煤矿救援机器人自主行走试验与分析 |
| 7.1 引言 |
| 7.2 室内环境试验 |
| 7.3 地下室环境下试验 |
| 7.4 煤矿瓦斯实验环境下试验 |
| 7.5 试验结果分析 |
| 7.6 本章小结 |
| 8 结论 |
| 8.1 主要结论 |
| 8.2 创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）基于双目视觉的车辆行驶跑偏测试方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车辆行驶跑偏测试方法研究现状 |
| 1.2.2 视觉检测技术研究现状 |
| 1.2.3 研究现状评述 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 基于双目视觉的车辆跑偏测试系统方案设计 |
| 2.1 跑偏测试系统的技术要求 |
| 2.2 跑偏测试系统的总体设计与测试方案对比 |
| 2.2.1 跑偏测试系统的总体布局 |
| 2.2.2 基于视觉测跑偏量的方案对比 |
| 2.2.3 双目相机的布置方案 |
| 2.3 双目视觉跑偏测试系统的构成 |
| 2.3.1 图像采集与处理模块 |
| 2.3.2 数据传输与通信模块 |
| 2.3.3 车辆身份辨识模块 |
| 2.4 本章小结 |
| 第3章 图像预处理算法研究 |
| 3.1 周围环境对跑偏测试系统的影响 |
| 3.2 图像灰度化 |
| 3.3 图像降噪分析及实验 |
| 3.3.1 系统噪声分析 |
| 3.3.2 经典降噪算法 |
| 3.3.3 基于图像质量的混合噪声降噪 |
| 3.3.4 降噪实验结果与分析 |
| 3.4 低照度图像增强处理 |
| 3.4.1 Retinex图像增强算法 |
| 3.4.2 改进Retinex增强处理算法 |
| 3.4.3 图像质量评估 |
| 3.5 本章小结 |
| 第4章 基于双目视觉的车辆跑偏特征匹配算法 |
| 4.1 图像边缘检测 |
| 4.1.1 常用边缘检测算法 |
| 4.1.2 基于区域特点的阈值自选取策略 |
| 4.1.3 算法验证及对比分析 |
| 4.2 图像特征提取 |
| 4.2.1 SURF算法 |
| 4.2.2 改进的SURF算法 |
| 4.2.3 算法验证及对比分析 |
| 4.3 自适应ROI的车辆跑偏特征匹配算法 |
| 4.4 本章小结 |
| 第5章 基于双目视觉的车辆跑偏测试方案验证 |
| 5.1 双目相机及系统标定 |
| 5.1.1 相机标定原理 |
| 5.1.2 系统标定 |
| 5.1.3 畸变校正 |
| 5.1.4 标定实验及结果分析 |
| 5.2 跑偏测试实验验证 |
| 5.2.1 实验过程 |
| 5.2.2 图像处理结果分析 |
| 5.2.3 实验结果及误差计算 |
| 5.3 本章小结 |
| 第6章 结论 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间获得与学位论文相关的科研成果 |
（7）增强现实下的虚实融合跟踪注册技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 增强现实应用研究 |
| 1.3 国内外研究现状与发展趋势 |
| 1.3.1 国内研究现状 |
| 1.3.2 国外研究现状 |
| 1.4 本文的主要工作及组织结构 |
| 第二章 增强现实关键技术概述 |
| 2.1 增强现实系统的体系架构 |
| 2.2 运动目标的三维注册技术 |
| 2.2.1 三维注册技术的原理 |
| 2.2.2 三维注册方法的分类 |
| 2.3 虚实融合呈现与交互技术 |
| 2.4 人机交互技术 |
| 2.5 本章小结 |
| 第三章 基于改进ORB算法的图像特征匹配 |
| 3.1 问题定义 |
| 3.2 改进的ORB特征点匹配算法 |
| 3.2.1 ORB特征点匹配算法 |
| 3.2.2 基于角点优化的改进ORB算法 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于改进ORB与 IC-SM算法的目标跟踪方法 |
| 4.1 问题定义 |
| 4.2 基于逆向组合算法的跟踪方法 |
| 4.3 基于改进ORB与 IC-SM算法的目标跟踪方法 |
| 4.3.1 IC-SM算法 |
| 4.3.2 改进ORB与 IC-SM算法的目标跟踪方法 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 虚实融合呈现 |
| 5.1 问题定义 |
| 5.2 基于单应性矩阵的相机外参估计 |
| 5.3 虚实融合呈现与交互技术 |
| 5.4 增强现实系统总体框架设计 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（8）汽车复杂构件形貌测量关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 选题背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 三维形貌测量技术研究现状 |
| 1.3.2 扫描仪研究现状 |
| 1.4 论文主要研究内容 |
| 1.5 研究方案 |
| 第2章 测量系统模型的建立 |
| 2.1 引言 |
| 2.2 HP20机器人模型的构建 |
| 2.2.1 HP20机器人参数简介 |
| 2.2.2 D-H连杆建模方法 |
| 2.2.3 HP20机器人运动学建模 |
| 2.3 复杂曲面测量规划 |
| 2.3.1 形貌传感器测头规划 |
| 2.3.2 路径采样点的优化 |
| 2.3.3 仿真实验 |
| 2.4 基于iGPS点云拼接模型的构建 |
| 2.4.1 测量系统的总体构成 |
| 2.4.2 点云拼接数学模型的构建 |
| 2.5 本章小结 |
| 第3章 HP20工业机器人运动学分析与轨迹规划 |
| 3.1 引言 |
| 3.2 HP20型工业机器人运动学分析 |
| 3.2.1 正向运动学分析 |
| 3.2.2 逆向运动学分析 |
| 3.3 HP20 机器人Matlab运动学仿真 |
| 3.3.1 机器人运动学正解仿真 |
| 3.3.2 机器人运动学逆解仿真 |
| 3.4 HP20机器人轨迹规划 |
| 3.4.1 关节空间轨迹规划 |
| 3.4.2 笛卡尔空间轨迹规划 |
| 3.4.3 关节空间轨迹规划仿真 |
| 3.4.4 笛卡尔空间轨迹规划仿真 |
| 3.5 本章小结 |
| 第4章 基于改进的SIFT全局点云配准算法 |
| 4.1 基于特征点的点云匹配步骤 |
| 4.2 点云数据存储结构 |
| 4.2.1 八叉树结构描述 |
| 4.2.2 KD树结构描述 |
| 4.2.3 八叉树与KD树集成的数据结构算法 |
| 4.3 特征点提取 |
| 4.3.1 特征点的类型 |
| 4.3.2 3D-Harris特征点提取 |
| 4.3.3 3D-SUSAN特征点提取 |
| 4.3.4 3D-SIFT的特征点提取 |
| 4.4 基于八叉-KD索引结构的改进SIFT算法 |
| 4.4.1 特征匹配的约束条件 |
| 4.4.2 特征点法向量的求解 |
| 4.4.3 改进RANSAC算法提纯 |
| 4.4.4 基于改进SIFT特征点的点云配准 |
| 4.4.4.1 点云初始配准 |
| 4.4.4.2 点云精配准 |
| 4.5 仿真分析 |
| 4.5.1 实验环境及数据 |
| 4.5.2 3D-Harris算子的特征点提取实验 |
| 4.5.3 3D-SUSAN算子的特征点提取实验 |
| 4.5.4 3DSIFT算子的特征点提取实验 |
| 4.5.5 RANSAC提纯及配准实验 |
| 4.5.5.1 提纯实验 |
| 4.5.5.2 配准实验 |
| 4.6 本章小结 |
| 第5章 形貌测量标定及iGPS全局点云拼接实验 |
| 5.1 形貌测量系统的标定实验 |
| 5.2 基于iGPS全局点云的拼接实验 |
| 5.2.1 车门拼接实例 |
| 5.2.2 车前盖拼接实例 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
（9）无人机航拍图像拼接技术研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题的背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的研究内容及结构安排 |
| 第二章 无人机航拍图像的预处理 |
| 2.1 无人机航拍图像灰度化处理 |
| 2.2 无人机航拍图像锐化处理 |
| 2.3 无人机航拍图像几何校正研究 |
| 2.3.1 无人机坐标系统与成像方式 |
| 2.3.2 无人机图像几何校正 |
| 2.3.3 重采样 |
| 2.4 本章小结 |
| 第三章 无人机航拍图像特征检测 |
| 3.1 常用特征检测方法 |
| 3.1.1 Moravec算法 |
| 3.1.2 Harris算法 |
| 3.1.3 SUSAN算法 |
| 3.2 SIFT特征检测 |
| 3.2.1 SIFT特征检测综述 |
| 3.2.2 高斯模糊 |
| 3.2.3 尺度空间极值检测 |
| 3.2.4 关键点定位 |
| 3.2.5 关键点方向分配 |
| 3.2.6 关键点特征描述 |
| 3.2.7 SIFT的不足 |
| 3.3 SURF特征检测 |
| 3.3.1 SURF特征点检测 |
| 3.3.2 尺度空间生成 |
| 3.3.3 SURF特征描述 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 无人机航拍图像配准 |
| 4.1 图像配准的方法 |
| 4.2 图像配准的步骤 |
| 4.3 图像配准几何变换模型 |
| 4.3.1 刚体变换 |
| 4.3.2 仿射变换 |
| 4.3.3 投影变换 |
| 4.3.4 非线性变换 |
| 4.4 优化图像配准 |
| 4.4.1 k-d树 |
| 4.4.2 改进的BBF的快速特征匹配 |
| 4.4.3 去除错误匹配点RANSAC算法 |
| 4.5 实验结果及分析 |
| 4.6 本章小结 |
| 第五章 无人机航拍图像融合 |
| 5.1 图像融合的基本概念 |
| 5.2 图像融合的方法 |
| 5.2.1 直接平均值法 |
| 5.2.2 加权平均融合 |
| 5.2.3 中值滤波法 |
| 5.2.4 小波变换融合法 |
| 5.3 实验结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
（10）基于智能移动终端的视频运动目标检测算法研究（论文提纲范文）
| 引言 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 课题研究现状 |
| 1.2.1 目标检测技术研究现状 |
| 1.2.2 背景补偿算法研究现状 |
| 1.3 智能终端检测问题 |
| 1.4 论文的主要研究内容及组织架构 |
| 1.4.1 主要研究内容 |
| 1.4.2 本文组织架构 |
| 2 运动目标检测相关理论 |
| 2.1 背景补偿相关理论 |
| 2.1.1 运动参数建模 |
| 2.1.2 特征点检测算法介绍 |
| 2.2 静态背景下的目标检测理论介绍 |
| 2.2.1 帧间差分法 |
| 2.2.2 背景差分法 |
| 2.2.3 光流法 |
| 2.3 本章小结 |
| 3 基于SURF算子的改进背景补偿算法研究 |
| 3.1 SURF算子 |
| 3.1.1 SURF算子的特征点检测 |
| 3.1.2 特征点描述 |
| 3.2 改进的SURF算子 |
| 3.2.1 基于描述阶段的改进 |
| 3.2.2 特征点匹配 |
| 3.3 实验结果分析 |
| 3.3.1 不同旋转角度的图像检测效果对比 |
| 3.3.2 不同光照条件下的图像检测效果对比 |
| 3.3.3 不同尺度条件下的图像检测效果对比 |
| 3.3.4 实验效果分析 |
| 3.4 本章小结 |
| 4 基于改进Vibe算法的运动目标检测 |
| 4.1 Vibe算法 |
| 4.1.1 背景模型的建立 |
| 4.1.2 前景检测 |
| 4.1.3 背景模型更新 |
| 4.2 改进的Vibe算法 |
| 4.2.1 运动参数估计 |
| 4.2.2 背景转换及更新因子的重设 |
| 4.2.3 边缘检测 |
| 4.2.4 形态学处理 |
| 4.3 实验结果分析 |
| 4.3.1 背景转换效果 |
| 4.3.2 目标检测效果 |
| 4.4 本章小结 |
| 5 基于移动终端的视频目标检测系统 |
| 5.1 OpenCV介绍 |
| 5.2 Android介绍 |
| 5.3 移动终端软件整体设计 |
| 5.3.1 背景补偿模块设计 |
| 5.3.2 运动检测模块 |
| 5.4 实验结果与分析 |
| 5.4.1 背景补偿实验 |
| 5.4.2 运动目标检测实验 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
| Abstract of Thesis |
| 论文摘要 |
四、USAN算法在实时系统中的实现（论文参考文献）
- [1]基于双视图像的带式输送机异常状态检测[D]. 谭恒. 太原理工大学, 2021(01)
- [2]基于无标定视觉伺服的微动平台精密运动控制研究[D]. 符金鑫. 长春工业大学, 2021(08)
- [3]基于面阵扫描系统的红外弱小目标检测[D]. 张延苏. 中国科学院大学(中国科学院上海技术物理研究所), 2020(03)
- [4]基于工艺安全的汽车发动机缸体涂胶检测标定技术研究[D]. 候慧敏. 上海应用技术大学, 2020(02)
- [5]矿井环境下机器人目标识别算法研究[D]. 巩固. 中国矿业大学, 2020(01)
- [6]基于双目视觉的车辆行驶跑偏测试方法研究[D]. 周灿. 武汉理工大学, 2020(08)
- [7]增强现实下的虚实融合跟踪注册技术研究[D]. 李婉. 长安大学, 2020(06)
- [8]汽车复杂构件形貌测量关键技术研究[D]. 胡铁. 长春理工大学, 2020(01)
- [9]无人机航拍图像拼接技术研究与实现[D]. 承文杰. 扬州大学, 2019(06)
- [10]基于智能移动终端的视频运动目标检测算法研究[D]. 贺超宇. 宁波大学, 2019(06)