导读:本文包含了视觉物体信息论文开题报告文献综述及选题提纲参考文献，主要关键词:同步定位与地图构建,视觉里程计,重定位,语义地图
视觉物体信息论文文献综述
张威[1]（2019）在《基于物体语义信息的室内视觉SLAM研究》一文中研究指出基于视觉的同步定位与地图构建(SLAM)是机器人通过视觉传感器对周围环境进行感知从而完成自身定位和结构化地图的同步构建。近年来,随着机器人在社会服务、公共安全、救灾救援等方向的广泛应用,传统基于几何的视觉SLAM算法已无法满足机器人的高层任务需求,机器人需要从语义层次执行交互和协作任务。因此如何提升机器人的感知与理解成为提升机器人能力的重要部分。物体语义作为一种抽象化的知识,不仅可以提高机器人对周围环境的理解能力,还能提高机器人复杂环境应对的能力。本文针对室内场景,系统性地研究了物体语义信息在视觉SLAM中的应用,具有包括以下叁个方面:针对动态物体对于视觉里程计造成干扰的问题,本文设计一种动态物体去除的视觉里程计方法。该方法在静态场景下性能较好的ORB-SLAM2视觉SLAM系统中融入动态物体检测模块,减少动态物体对视觉里程计的影响,提高ORB-SLAM2应对动态环境的能力。为有效检测动态物体,本文设计了一种基于物体类别和光流法的动态物体检测方法。该方法利用YOLOv3物体检测网络获取潜在的动态物体,并联合光流法完成动态物体的检测。实验结果表明,本文改进的方法在动态场景下相对其它主流的视觉SLAM算法拥有更好的位姿估计性能。针对基于视觉特征的相机重定位算法对光照、遮挡等复杂环境较敏感的问题,本文提出了一种基于物体属性的相机重定位方法。该方法首先基于关键帧中的静态物体检测与识别完成视觉语义库的构建。为了获取关键帧中的静态物体,本文利用Mask R-CNN实例分割网络获取关键帧中的物体信息,并基于改进的视觉里程计算法去除其中的动态物体。在相机重定位阶段,本文设计了一种基于物体类别和图像特征的双层筛选机制获取视觉语义库中的相似关键帧,并利用当前帧和相似关键帧中的物体特征结合光束平差法完成当前帧和相似关键帧间的位姿估计,从而实现相机的重定位。经实验验证,本文提出的基于物体属性的相机重定位算法具有较高的匹配效率和定位精度。针对叁维语义地图物体多角度更新情况,本文设计了面向物体的叁维语义地图生成方法。该算法首先在视觉语义库重定位方法的基础上完成在线物体库构建。在物体库更新方面,本文提出了一种基于物体类别和物体点云重合度的双层筛选机制完成物体的归属划分和物体库的更新。然后,本文通过改进的视觉里程计对机器人的精确位姿进行预测并生成叁维地图。最后,本文通过将物体库中的物体信息映射到叁维地图完成面向物体的叁维语义地图构建。实验结果表明,本文提出的物体库更新策略能较好地识别和区分环境中的大多数物体。同时,本文构建的面向物体的叁维语义地图为机器人任务规划和人机交互等高层次任务提供了语义数据基础。本文在视觉SLAM中的里程计、重定位等子模块引入物体语义信息,提高了视觉SLAM系统应对复杂动态环境的能力。同时,本文提出的面向物体的叁维语义地图构建对提高机器人的复杂场景感知与理解能力具有积极作用。本研究对于人机交互、机器人高层规划等具有重要的意义。(本文来源于《山东大学》期刊2019-05-20）
兰晓东[2]（2018）在《基于RGB-D视觉信息的物体识别算法研究》一文中研究指出物体识别是机器视觉领域重要的研究方向,其涉及到数学、机器学习、图像处理和模式识别等多学科的知识。随着社会的发展和机器视觉技术的成熟,机器视觉在服务机器人领域的应用不断扩展,推动了国家工业战略2025的进程。基于RGB-D信息的物体识别算法是服务机器人系统重要的组成部分,在智能驾驶、无人机和人型机器人中都有广泛的应用。因此,物体识别在机器视觉领域的研究具有重要的理论意义和实践价值。基于RGB-D(Red:红色通道,Green:绿色通道,Blue:蓝色通道和Depth:深度通道)信息的物体识别是机器视觉领域的重要研究课题。物体识别算法一般包括特征提取和分类器设计两个部分,其中如何设计出更好的特征提取算法一直是人们研究的热点。本文提出了两种特征提取算法,一种是基于多通道字典的物体识别算法,另一种是结合SIFT和稀疏编码的物体识别算法,主要内容包括:(1)提出了一种基于多通道字典的物体识别算法(Multi-Channel Feature Dictionaries for RGB-D Object Recognition:MCFD)。在基于RGB-D信息物体识别领域,传统的特征学习算法通常将RGB叁通道颜色特征作为一个整体进行研究。在对RGB叁通道颜色信息进行采用稀疏编码算法提取特征时,会得到一个字典。而基于多通道的字典相比较单通道字典则可以提取出更丰富的图像块特征信息,可以更加准确的表示图像块的特征。每张图像划分为若干块,每块划分为若干单元,每个单元包含若干像素点。在提取特征时,首先使用字典解出图像中每个像素的稀疏编码,再采用最大池化算法得到单元特征。块特征是将其所包含的所有单元特征进行链接得到的。块特征是第一层特征,基于块特征可以得到第二层字典与其稀疏编码。将金字塔最大池化分别用于块特征和其对应的稀疏编码可以得到图像的第一层特征表示和第二层特征表示。实验结果表明,基于多通道字典的物体识别算法比单字典上物体识别准确率高,第二层特征比第一层特征准确率高。(2)提出了一种结合SIFT和稀疏编码的物体特征识别算法(Combining SIFT and Sparse Coding for Object Recognition:CSSC)。很多稀疏编码算法主要基于图像块的颜色、空间和形状信息进行特征学习,而忽略了梯度方向信息。SIFT特征可以提取图像块的梯度方向直方图统计信息,具有尺度旋转不变性。从图像块所提取的SIFT特征可以增加基于稀疏编码的图像块梯度方向信息。每张图像都划分为若干有重迭的块,然后从灰度图像块中提取SIFT特征并求出对应的字典与稀疏编码。使用稀疏编码直接从颜色与深度图像中求出块特征与基于块特征的稀疏编码。将金字塔池化算法分别用于基于SIFT的稀疏编码、块特征和基于块特征的稀疏编码得到叁种图像特征。最后将这叁种图像特征链接得到物体特征。通过实验,可以证明这种特征表示方法的有效性。(本文来源于《中北大学》期刊2018-04-10）
孙瑞轩,董浩,肖磊,张田龙[3]（2017）在《基于双目立体视觉技术的运动物体空间位置信息测量方法研究》一文中研究指出为了使Delta机器人能够快速、准确地拾取随机出现在输送带不同位置上的不同高度的目标物体,设计了一套可获取运动目标物体空间位置信息的测量系统。利用LabVIEW与Matlab混合编程技术,同时结合双目立体视觉技术和图像处理技术以及光电传感设备,实现了对运动物体空间位置信息的准确获取。对该系统的测试方法和测试数据进行了实际检测和分析,检测数据表明,经过图像径向畸变矫正后,由该系统及测试方法获取的空间位置信息数据具有较小的相对误差。(本文来源于《河北工业科技》期刊2017年01期）
吴培良,刘海东,孔令富[4]（2017）在《一种基于丰富视觉信息学习的3D场景物体标注算法》一文中研究指出在智能服务机器人领域,根据场景的图像序列来完成场景重构及其中物体的检测与标注,是机器人场景理解、人机交互及后续服务的基础.本文针对基于RGB-D数据的3D场景物体标注展开研究,设计了一种充分融合颜色与深度数据的物体建模学习方法,并将其应用于图像目标快速检测及3D场景物体标注.离线学习阶段,在构建物体检测模型时,加入了物体颜色的高斯模型,与物体的RGB-D HOG特征一同构成先验模型.在线阶段,首先对待检测的场景图像进行超像素分割,将对场景图像的处理从以像素为单位转变为以超像素区域为单位;同时计算每个超像素区域的高斯颜色模型,并与物体的先验高斯颜色模型比对,筛选得到物体所在的候选超像素区域;然后,在筛选出的超像素周围进行滑动窗口搜索,计算目标物体出现在场景图像中的概率图;最后,将该概率图映射到3D场景中对应体素,联合该体素及其周边体素构建马尔科夫随机场,进而进行3D场景物体标注.实验结果表明,由于引入了超像素处理,以及基于颜色模型比对的超像素筛选,所处理的数据量大大减少,在基本不损失精度的同时,算法效率明显提高.(本文来源于《小型微型计算机系统》期刊2017年01期）
段鑫[5]（2014）在《基于视觉信息认知机理的图像处理与物体识别》一文中研究指出众所周知,人类所感知的大部分外界信息都来自于视觉。研究人类视觉的认知机理建立视觉信息处理模型对推动计算机视觉的发展有重要的意义。计算机视觉领域是一个内容丰富涉及面广而且很有挑战性的研究方向,如何使机器通过视觉对外界进行感知和理解达到自主适应外界环境的能力还是个很大难题。从长远来看,计算机视觉研究的最终目的是建立一套可与人类视觉系统相媲美的通用视觉系统,如何通过生物视觉信息处理的启发建立可用于机器视觉的视觉模型是研究者们面临的挑战。本文依据这一背景,通过总结分析近年来依据生物视觉信息认知并在此基础上建立的可用于计算的生物视觉模型,并把这些模型用于计算机视觉领域的图像处理及物体识别,主要内容如下:分析人类视觉系统的一些生理特性和机理,包括人眼的构成,视觉信息在视觉通路的传输,以及大脑皮层上的视觉信息处理区域。人类视觉系统被定义为视网膜和大脑区域之间的连接,也就是视觉通路。人眼首先通过视网膜接收外界的视觉信号,然后由人类视觉系统对接收到的视觉信号进行处理。由人类视觉系统处理的视觉信息,在大脑中按照一定的通路进行传递,在经过的多个神经区域上被处理,完成最后的认知过程。上个世纪末期,研究者们对猫的视觉皮层上神经细胞进行研究,他们发现猫的视觉皮层神经细胞上存在同步脉冲发放现象,依据此现象他们建立了视觉神经元的同步震荡模型,后来又对其进行了改进。这种同步脉冲发放模型经过发展就形成了一种新型的神经网络模型即脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)。视觉皮层神经元同步振荡现象而建立的模型-脉冲耦合神经网络(PCNN)在图像处理方面有着很多优良的特性,如尺度不变性,旋转不变性,强度以及扭曲不变性等,PCNN在图像处理时只依靠图像的自然属性,实时性比较高。于此同时,本文利用PCNN简化模型并结合经典的中值滤波算法对图像去噪进行研究,实验结果表明两者之间的结合有效弥补了自身存在的不足,基于信息熵的自适应PCNN分割算法可以根据最大信息熵确定PCNN的迭代次数,分割后可以很好的对图像中的信息进行保留,可用于图像目标检测后的目标提取分割。视觉注意是视觉信息获取过程中一项重要调节机制,人类在获取外界的视觉信息时会对不同图像信息进行分配加工。人类视觉的这种在处理大量复杂视觉信息时把注意力集中在显着性较强的物体上的特性称为视觉注意,视觉注意机制的研究,不但有助于探索人类视觉信息处理的工作机理,而且在图像分析领域中也有重要应用价值。如果能够将这种视觉注意机制引入到图像分析领域,将计算资源优先分配给那些容易引起观察者注意的图像区域,那么必将极大地提高现有图像分析方法的工作效率国内外学者对视觉注意机制进行了大量研究并建立了多种视觉注意模型,本文分析了几种经典的视觉注意模型,并在图像数据上进行了对比实验,根据得到的显着图以及计算效率进行对比,基于信息论的IG模型具有出色的表现,可用于显着目标的检测。局部特征的提取,一般包括特征的区域检测和特征的区域描述,局部特征的描述一般要求具有亮度,尺寸和旋转的不变性。局部图像的特征基于图像的局部信息,通常以向量的形式表示,向量的维数直接影响到对后面的计算以及目标识别的速度。在局部特征识别算法上重点对SIFT,SURF,以及ORB算法的图像匹配性能进行对比实验,选取效率最高的ORB特征点检测匹配识别算法和视觉注意计算模型以及基于信息熵的自适应PCNN分割算法组成了有效的物体识别流程。最后利用脉冲耦合神经网络(PCNN)预处理后的图像经过视觉注意机制提取目标物体后设计了一套图像匹配识别系统。(本文来源于《哈尔滨工程大学》期刊2014-12-24）
林昌,何炳蔚,董升升[6]（2014）在《融合深度信息的室内RGB图像视觉显着物体快速检测方法》一文中研究指出针对传统视觉注意机制在室内叁原色(RGB)图像视觉显着物体检测中存在的运算复杂、检测精度低等缺点,提出了一种融合深度信息的室内RGB图像视觉显着物体快速检测方法。对室内RGB图像进行降采样和金字塔量化处理,从而降低图片的空间分辨率和计算复杂度。利用亮度、红绿以及黄蓝叁通道的多特征视觉注意机制显着性检测模型以获得室内RGB图像的显着图。在显着图分析中提出显着区域生长策略,从而获得视觉显着区域的精确轮廓。融合深度信息获取视觉显着区域内显着物体数目以及显着物体相互之间的位置关系。通过室内场景实验,验证了方法的可行性和有效性。(本文来源于《中国激光》期刊2014年11期）
王平[7]（2014）在《基于双目视觉的物体深度信息提取》一文中研究指出双目视觉技术作为计算机视觉领域的一个热点分支，广泛应用于机器视觉、雕刻与建筑、工程检测以及虚拟现实等领域。双目视觉技术是将两幅或多幅二维图像，通过摄像机标定、特征提取与匹配以及叁维重构等步骤来获取叁维景物的深度信息。本文在分析研究大量相关技术和文献的基础上，对特征匹配与叁维重构两个环节进行了研究。主要研究如下：（1）通过改进灰度匹配方法来获得更多的匹配点对，其原理是使用像素灰度差分积代替传统的灰度梯度模来对图像进行锐化，以增强图像的高频分量，使得图像细节更为清晰，从而达到获取更多匹配点对的目的。（2）针对基于双目视觉获取的点云稀疏、难以形成重构景物外在轮廓的问题，本文首先使用Kinect采集了物体的深度信息，通过二次标定统一了Kinect深度图与双目相机点云的坐标系，使二者在同一场景下的物体空间信息一致；然后在Kinect重构辅助中使用稀疏点云的深度最值约束技术进行景物轮廓提取，从而获得较为良好的感观效果。本文采用双目相机进行图像拍摄，通过摄像机标定、SIFT特征匹配以及Kinect辅助重构，软件编程完成了整个叁维重建过程，验证了改进方法的可行性，达到了预期目的。(本文来源于《中北大学》期刊2014-04-05）
王平,韩燮,韩焱,齐和平[8]（2014）在《基于双目视觉技术的物体深度信息的提取》一文中研究指出传统的双目匹配算法得到的数据是左右视图匹配点的二维坐标;但二维坐标将丢失物体的叁维深度信息。提出一种利用视差原理在世界坐标系内计算该物点在现实中所对应点的叁维坐标的新方法。该方法分为叁部分:第一部分为双目相机的标定,包括内参(主点、焦距、径向畸变、不垂直因子)以及两相机之间的外参(旋转矩阵和平移矩阵)。第二部分为特征点的提取与匹配,特征点的提取则是利用SIFT算子提取左右视图的特征点,匹配则是将两视图中的对应点(现实中为同一点)利用SIFT算法进行匹配。第叁部分为物体深度信息的计算,利用双目相机的视差原理和已经得出的双目相机的参数进行空间还原得到相应的左右视图投影投射矩阵,结合空间几何线性关系计算出该点在世界坐标系的叁维坐标,从而得出其深度信息。(本文来源于《科学技术与工程》期刊2014年02期）
刘维[9]（2009）在《基于双目立体视觉的物体深度信息提取系统研究》一文中研究指出现实世界场景的叁维信息包括高度、宽度和深度。其中,深度信息或深度感知在许多计算机视觉应用中起着关键的作用。双目立体视觉技术属于被动测距的一种,双目立体视觉技术是仿照人类利用双目线索感知深度信息的方法,实现对叁维信息的感知。即运用两个摄像机对同一景物从不同位置成像,进而从视差中恢复深度信息。本文对基于双目立体视觉的物体深度信息提取系统进行研究,将为解决智能机器人抓取物体、视觉导航、目标跟踪等奠定基础。论文在对双目视觉系统的研究意义与国内外研究现状进行调研的基础上,重点对系统设计中摄像机标定、图像预处理、立体匹配及深度信息提取四大部分进行了论述。1.摄像机标定部分研究了摄像机成像模型和传统的摄像机标定方法,考虑到实验环境和实验设备,本课题采用了标定精度高、手动操作干预少的半自动棋盘平面标定法对摄像机进行了精确的标定。2.图像预处理部分分析了常用的图像预处理算法,根据课题的实际环境选择了符合课题的最优算法,构建了双目视觉实验平台,设计了基于VC++编程语言的图像平滑、图像锐化、边缘检测等功能程序。3.立体匹配部分针对传统的固定窗口区域匹配算法匹配错误率高,抗噪性低及匹配速度慢等缺点,提出了一种基于视差梯度的快速鲁棒区域匹配算法。算法中提出的新的相似性测度函数提高了匹配的鲁棒性,视差梯度约束的引入减小了匹配搜索区间提高了匹配速度,同时根据视差梯度的取值范围判断图像中平滑区域和边缘区域并分别采用大小窗口进行匹配,提高了匹配的正确率。4.深度信息提取部分首先介绍了双目立体视觉的结构模型,然后分别推导了基于任何摆置的双目立体视觉环境下射线交汇深度提取法和基于平行双目立体视觉环境下叁角测量深度提取法。最后对实际所拍摄的立体图像对的深度信息进行了提取,并与实际的深度信息进行对比,进行了相对误差分析。结果表明系统提取1m范围内目标的深度信息稳定,精度较高。(本文来源于《中南大学》期刊2009-06-30）
祝琨[10]（2008）在《基于双目视觉信息的运动物体实时跟踪与测距》一文中研究指出移动机器人是机器人学中的一个重要分支。早到60年代,就已经开始了关于移动机器人的研究。随着移动机器人技术的发展,机器人的应用己经越来越广泛。视觉做为最丰富的信息来源,为机器人进一步的仿人行为提供了便利。如何从视觉传感器中提取叁维信息,并为机器人提供精确的控制,是计算机视觉以及移动机器人领域一个重要的研究课题。本文对摄像机标定、双目视觉系统的测距以及跟踪算法进行了深入细致的研究,最终提出了双目视觉跟踪与测距系统的实现方案,并对所涉及到的算法进行了改进,使它们更加适应本系统的应用要求。实验证明,该系统稳定、准确,实时性好,具有广阔的应用前景。下面对本论文主要工作进行总结:第一,在Zhang的标定方法的基础上进行了改进,提出了基于参数估计的标定方法,使摄像机发生转动的情况下,不需要重新标定而准确估计出内外参数,从而实现叁维重建。第二,对现有的跟踪算法进行了总结,特别分析了基于背景建模的背景差法以及基于颜色直方图的CamShift算法。由于传统的方法要求背景不能出现大范围的移动,或者要求跟踪特定目标。我们结合和两种算法的优势,提出了自己的改进方案,实现了非特定目标的动态背景下的跟踪。提高了双目视觉系统的适应性。第叁,提出了双目视觉系统的方案以及机械控制策略,并在AS-R机器人平台上实现了该系统,很好的完成了双目视觉跟踪与测距的功能,效果令人满意,可以为后续机器人服务功能的开发打下坚实的基础。(本文来源于《北京交通大学》期刊2008-06-01）
视觉物体信息论文开题报告
（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：
物体识别是机器视觉领域重要的研究方向,其涉及到数学、机器学习、图像处理和模式识别等多学科的知识。随着社会的发展和机器视觉技术的成熟,机器视觉在服务机器人领域的应用不断扩展,推动了国家工业战略2025的进程。基于RGB-D信息的物体识别算法是服务机器人系统重要的组成部分,在智能驾驶、无人机和人型机器人中都有广泛的应用。因此,物体识别在机器视觉领域的研究具有重要的理论意义和实践价值。基于RGB-D(Red:红色通道,Green:绿色通道,Blue:蓝色通道和Depth:深度通道)信息的物体识别是机器视觉领域的重要研究课题。物体识别算法一般包括特征提取和分类器设计两个部分,其中如何设计出更好的特征提取算法一直是人们研究的热点。本文提出了两种特征提取算法,一种是基于多通道字典的物体识别算法,另一种是结合SIFT和稀疏编码的物体识别算法,主要内容包括:(1)提出了一种基于多通道字典的物体识别算法(Multi-Channel Feature Dictionaries for RGB-D Object Recognition:MCFD)。在基于RGB-D信息物体识别领域,传统的特征学习算法通常将RGB叁通道颜色特征作为一个整体进行研究。在对RGB叁通道颜色信息进行采用稀疏编码算法提取特征时,会得到一个字典。而基于多通道的字典相比较单通道字典则可以提取出更丰富的图像块特征信息,可以更加准确的表示图像块的特征。每张图像划分为若干块,每块划分为若干单元,每个单元包含若干像素点。在提取特征时,首先使用字典解出图像中每个像素的稀疏编码,再采用最大池化算法得到单元特征。块特征是将其所包含的所有单元特征进行链接得到的。块特征是第一层特征,基于块特征可以得到第二层字典与其稀疏编码。将金字塔最大池化分别用于块特征和其对应的稀疏编码可以得到图像的第一层特征表示和第二层特征表示。实验结果表明,基于多通道字典的物体识别算法比单字典上物体识别准确率高,第二层特征比第一层特征准确率高。(2)提出了一种结合SIFT和稀疏编码的物体特征识别算法(Combining SIFT and Sparse Coding for Object Recognition:CSSC)。很多稀疏编码算法主要基于图像块的颜色、空间和形状信息进行特征学习,而忽略了梯度方向信息。SIFT特征可以提取图像块的梯度方向直方图统计信息,具有尺度旋转不变性。从图像块所提取的SIFT特征可以增加基于稀疏编码的图像块梯度方向信息。每张图像都划分为若干有重迭的块,然后从灰度图像块中提取SIFT特征并求出对应的字典与稀疏编码。使用稀疏编码直接从颜色与深度图像中求出块特征与基于块特征的稀疏编码。将金字塔池化算法分别用于基于SIFT的稀疏编码、块特征和基于块特征的稀疏编码得到叁种图像特征。最后将这叁种图像特征链接得到物体特征。通过实验,可以证明这种特征表示方法的有效性。
（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。
视觉物体信息论文参考文献
[1].张威.基于物体语义信息的室内视觉SLAM研究[D].山东大学.2019
[2].兰晓东.基于RGB-D视觉信息的物体识别算法研究[D].中北大学.2018
[3].孙瑞轩,董浩,肖磊,张田龙.基于双目立体视觉技术的运动物体空间位置信息测量方法研究[J].河北工业科技.2017
[4].吴培良,刘海东,孔令富.一种基于丰富视觉信息学习的3D场景物体标注算法[J].小型微型计算机系统.2017
[5].段鑫.基于视觉信息认知机理的图像处理与物体识别[D].哈尔滨工程大学.2014
[6].林昌,何炳蔚,董升升.融合深度信息的室内RGB图像视觉显着物体快速检测方法[J].中国激光.2014
[7].王平.基于双目视觉的物体深度信息提取[D].中北大学.2014
[8].王平,韩燮,韩焱,齐和平.基于双目视觉技术的物体深度信息的提取[J].科学技术与工程.2014
[9].刘维.基于双目立体视觉的物体深度信息提取系统研究[D].中南大学.2009
[10].祝琨.基于双目视觉信息的运动物体实时跟踪与测距[D].北京交通大学.2008