一、多传感器图像融合方法研究（论文文献综述）
宋贵宝,刘镇毓,刘铁,姜子劼,刘战[1]（2021）在《防空导弹拦截效果评估研究综述》文中指出防空导弹的拦截效果评估是影响防空反导方面持续作战能力的关键问题。本文从防空导弹拦截效果评估流程、目标毁伤等级、评估方法3个方面阐述了防空导弹拦截效果评估的研究现状,对模糊理论、贝叶斯网络、随机多属性模型等典型评估模型的优缺点进行了总结,并针对战场复杂环境对多传感器融合情况进行了分析,最后指出提高信息获取与处理能力、多传感器融合能力和模拟仿真水平是未来防空导弹拦截效果评估的主要发展方向。
石晏丞,李军[2]（2021）在《汽车自动驾驶领域的传感器融合技术》文中进行了进一步梳理从激光雷达、摄像头、毫米波雷达等方面论述了汽车自动驾驶中常用的传感器技术,以及汽车自动驾驶领域中传感器融合技术的发展。在此基础上,介绍了分布式、集中式、混合式等三种多传感器信息融合体系,给出了激光雷达+摄像头、毫米波雷达+摄像头的融合模型,并分析了加权平均、卡尔曼滤波、神经网络等融合算法。
朱永成[3]（2021）在《基于VINS-MONO的融合SLAM应用于自动驾驶的技术研究》文中研究表明即时定位与建图（Simultaneous Localization And Mapping,SLAM）技术是现今市场上众多应用的关键技术之一,包括热门的自动驾驶应用。自动驾驶是多种技术的综合应用,包括深度学习、SLAM、路径规划、自动控制等。SLAM主要为其提供定位信息和周围场景地图的描述,所以一个鲁棒的、稳定的SLAM系统对自动驾驶应用是至关重要的。由于汽车行驶的环境复杂多样,所以独立的视觉SLAM或者激光SLAM很难满足精准的定位和建图的需求。另外,目前自动驾驶汽车上配备的传感器也是丰富的,充分利用已有的资源提高自动驾驶的安全性是非常有必要的。激光雷达传感器价格昂贵,随着计算机视觉的发展,激光被视觉替代成为一种趋势,所以本文放弃激光雷达传感器,选择多相机、惯性测量单元（Inertial Measurement Unit,IMU）、轮式里程计传感器在开源系统VINS-MONO的基础上研究融合SLAM为自动驾驶应用提供可靠定位和建图服务。本文主要工作如下:1.动态物体对SLAM的影响很大,往往导致视觉部分引入错误的估计从而使系统不稳定甚至崩溃。本文提出一种基于SegNet深度学习网络的动态物体检测与剔除算法。SegNet网络负责语义分割得到掩膜,之后通过形态学处理扩大掩膜边缘和滤除噪点。同时应用基于深度信息和极线距离的两种方法检测动态点,之后对两者的动态点集合进行融合,再利用融合后的动态点修复掩膜。最后利用修复后的掩膜剔除动态点,得到更精准的静态特征点来服务SLAM系统。2.当汽车两次经过同一个地方并且行驶方向不一致的时候,针对传统多相机闭环检测算法无法成功检测到闭环的问题,本文实现了多相机交叉闭环检测。将多个相机的观测放到同一个数据库中,在查找匹配时采用交叉查找,使得其中一个相机可以和其他任一相机发生闭环,提高闭环的召回率。3.基于多相机、IMU、轮式里程计的融合SLAM应用于自动驾驶的系统设计。本文在VINS-MONO开源系统的基础上抛弃IMU中的加速度计,用轮式里程计替代加速度计提供位移信息,重新设计系统在线初始化的策略。因为陀螺仪和轮式里程计的测量采用了预积分理论,本文推导了预积分的过程,最后给出系统紧耦合优化的目标残差函数。
冯铂凯[4]（2021）在《基于多传感器的复杂地形下机器人跟随技术研究》文中研究指明随着机器人技术的发展,“人机共融”的设想越来越成为科技人员追求的重要方向之一。在如工厂、仓库等需要经常搬运货物的场合,对于一种可以自主跟随用户的搬运机器人的需求也在增加。但是,市面上已有的跟随机器人仅适用于结构化环境,在复杂地形（非结构化）环境中的相关研究与产品较少。从技术落地及实用性上考虑,本文提出了一种改进的轨迹跟随的自主跟随方法。该方法满足机器人在未知环境中作业的要求。针对基于多传感器的复杂地形下跟随机器人技术研究本文所展开的主要工作内容如下:（1）确定基于轨迹跟随的自主跟随机器人系统。机器人严格按照目标运动轨迹前进,完成跟随任务。（2）解决轨迹跟随方案中对目标轨迹定位的问题。首先,为机器人搭载惯性导航系统完成自身航迹推算,即可获得机器人在世界坐标系内的“绝对定位”。然后将机器人坐标系下目标的位姿描述结合世界坐标系下机器人位姿,采用坐标变换的方式即可得到世界坐标系下目标的位姿。（3）采用多传感器数据融合的方法提高系统稳定性以及降低系统运算量。首先,使用凸组合算法对航迹推算法方案及UWB方案进行数据融合获得机器人运行轨迹;然后,针对目标的检测则通过融合激光雷达数据与相机数据,降低系统运算量。（4）当动态障碍物出现在机器人前进路径上时,机器人完成局部路径规划。本文提出一种基于改进的人工势场法的局部路径规划算法。在原理实验验证方面,本课题任务需求为软件仿真,不提供实际传感器及实验台。故本文设计了一套仿真环境。该环境拥有包含复杂地形的地图、多种传感器仿真数据等信息。其中,通过对复杂地形特征分类、建模,提出了一种基于栅格地图的复杂地形下随机地图的建立方法。最后,基于建立的跟随机器人仿真环境,针对本文提出的自主跟随机器人算法进行了仿真实验。实验结果表明,提出的自主跟随算法在复杂地形环境下可以很好的完成对目标的跟随。
杜珂[5]（2021）在《变电站继电保护室智能巡检图像预处理关键技术研究》文中研究指明智能运维是电力巡检的重要发展趋势,搭载视觉采集终端的电力巡检机器人在继电保护室二次设备巡视中逐渐代替了人工巡检,但由于电力巡检机器人所处的巡检环境十分复杂,对视觉终端采用的图像处理算法提出了更高的要求。本文针对巡检过程中复杂成像环境下的视场过小、成像观测角偏移以及高光目标物遮挡等复杂成像环境对成像质量的影响,重点围绕图像畸变矫正、图像拼接和图像融合高光抑制等预处理技术展开研究,解决复杂巡检环境视觉成像存在的问题,为后续图像识别提供较好的图像源,提高识别准确率。论文所涉及的工作主要有:（1）基于图像畸变校正和图像拼接算法,针对变电站继保室控制柜的特点,提出一种基于特征块的图像拼接方法,实验结果表明,本文所采用的方法能够有效地解决变电站继保室中狭小空间的大视场成像问题,能够实现狭小空间大视场成像的图像畸变校正、无缝拼接、图像目标聚类划分,获得整个控制屏柜面板的清晰成像。（2）移动机器人视觉成像姿态柔性调整,拟通过目标物特征提取与匹配、姿态的预估计、在线控制的柔性调整,实现目标呈现的最佳拍摄。首先要获取摄像头序列图像信息,然后将读取到的视频进行目标识别处理,并对图像帧中的目标打上标签,对目标进行定位;最后以帧间目标图像位置为约束条件自适应调整机器人的观测姿态。（3）基于图像分割和图像融合的方法进行玻璃柜门高光检测与抑制。首先通过检测基准图像是否存在高光区域,然后利用ORB算法对存在高光区域的基准图像和待配准图像进行特征点对的提取,采用汉明距离剔除误匹配特征点,实现对特征点的粗剔除;接着基于RANSAC算法对粗特征点再次剔除,完成特征点的准确匹配;最后通过加权融合算法实现有效地去除压板图像高光干扰区域。应用实验测试结果表明,本文方法有效解决了变电站继电保护室巡检过程中视场过小、成像观测角偏移以及高光目标物遮挡等复杂成像环境对成像质量影响的问题,改善了机器人视觉终端巡检效果,对推动变电站巡检智能化具有重要意义。
梁剑烽[6]（2021）在《基于物联网云平台的家居火灾监控系统的研究与实现》文中指出我国大中城市居民居住方式主要以高层建筑为主,高层建筑由于人员相对集中,空间小,一旦发生火灾,居民的生命安全、经济财产都将面临严重考验,如何在火灾的前期快速识别与消灭火灾成为目前重点研究的问题。本文针对实际家居环境,研究一种以物联网云平台为基础,结合多传感器数据融合技术与火焰图像识别技术的智慧家居火灾监控系统,旨在实现对火灾数据实时监控的同时提高系统对火灾识别的准确性,并解决系统实时性及可靠性问题。本文主要研究工作如下:（1）研究了One NET物联网云平台的功能、资源模型及通信协议,并对系统涉及到相关技术的工作原理和实现方法进行了研究分析,为后续系统的开发设计奠定基础。（2）针对单传感器系统容易导致火灾误报、漏报的问题,提出了以STM32为核心处理器,通过对温湿度、火焰、烟雾和摄像头等模块的电气特性、工作原理及电路原理的分析,搭建多传感器硬件采集系统,实现对多火灾因子数据的采集,并结合Esp8266模块和继电器模块,实现与One NET云平台间的无线通信和远程设备的控制。（3）基于STM32固件库设计了各硬件模块的初始化程序、数据采集程序、通信程序和继电器控制程序等;基于EDP协议完成了传感器、预警信息、命令信息等数据封装和解析程序的设计;基于One NET云平台的部署实现了数据的存储、监控、预警等功能,并由UI应用控件,实现了数据的可视化展示及控制命令的下发。（4）针对系统存在的可靠性问题,提出了基于DS证据理论的改进融合算法,解决因传感器故障或者噪声干扰而引起的火情误报、漏报的问题,并对DS证据理论改进融合算法在火灾系统应用中,存在的火灾特征量的选取、多传感器数据归一化、基本概率函数的获取问题做进一步分析研究,最后通过算例分析,证明了基于DS证据理论的改进多传感器数据融合算法,对于提高系统的准确性、稳定性及可靠性的有效性。（5）针对系统实时性不足的问题,提出了火焰图像识别技术解决方案,首先利用帧间差分法对疑似火焰区域进行分割,并对图像做数学形态处理去除干扰噪点,提高图像质量,通过实验分析发现,帧间差分法在处理多个运动物体的场景时存在抗干扰性不强的问题,结合火焰特征识别算法对图像做进一步处理,虽然可以得到较好的效果,但是对于具有类似特征的光源还是无法区分,因此提出了一种基于Ada Boost级联分类器的算法,通过机器学习训练的方法,提高火焰识别的准确率与及时性。（6）通过系统测试证明,系统整体功能运行正常,系统的可靠性、实时性及实用性达到预期目标。
陈廷广[7]（2021）在《基于多源数据融合的室外AGV自适应定位与导航方法研究》文中提出随着我国制造业转型升级,智慧工厂和智能仓储得到快速发展,造成AGV需求的爆发式增长,出现了 AGV市场繁荣。但存在室外AGV需求量大、应用较少的问题,这主要受室外场景宏大、环境复杂等原因的制约。随着传感器性能提升和定位导航方法的深入研究,AGV的应用逐渐从室内环境拓宽至室外环境,如何保证AGV准确感知自身在外部周围环境中的位姿状况并持续可靠沿规划路径安全行驶成为研究热点,室外AGV正面临前所未有的发展窗口。本文针对室外环境下AGV的精确定位和稳定导航展开相关研究。针对车载单源传感器定位与导航系统信息在室外环境下存在局限性和脆弱性以及室外车体位姿估计的非线性问题,研究室外复杂场景下多源异质车载传感器信息融合定位方法。采用容积卡尔曼滤波算法作为基础融合算法,利用基于航迹推算的系统方程对车体位姿的估计值与GPS和IMU给出的量测值经由卡尔曼增益系数加权计算获得车辆位姿的最优估计。将迭代过程中QR分解简化的CKF误差协方差平方根矩阵代替包含由字长限制引起的积累定位误差的病态矩阵,解决了室外环境下中由病态协方差矩阵导致定位失稳甚至发散的问题。采用基于时间序列的序贯滤波设计了不同长度量测信息的融合定位算法,充分利用传感器观测信息,解决了车载传感器的最高采样频率不一致造成传感器信息利用率不足等问题。利用QR平方根滤波法保证定位稳定性,通过时间序列序贯滤波提高传感器信息利用率,实现了稳定行驶下的多传感器数据融合的室外AGV准确定位。针对室外环境的不确定因素影响室外AGV定位鲁棒性的问题,研究室外不确定条件下的自适应强跟踪定位方法。采用改进Sage-Husa自适应滤波算法,由残差新息对量测噪声进行实时估计调整并同时监测,当出现非正定矩阵时采用有偏估计方式重新计算,保证定位滤波的稳定性,自适应实时调整噪声参数,提高系统模型不确定情况下的定位精度。采用基于多渐消因子的定位强跟踪算法,根据由不同行驶状况突变类型导致的位姿参数影响计算多渐消因子,修正突变后的误差协方差矩阵,激活卡尔曼增益系数,加权量测信息,解决由不可预测因素造成的室外车辆位姿突变后长时间定位数据发散问题。该自适应强跟踪算法提高了模型参数不确定条件下的定位鲁棒性,增强了车辆位姿不确定条件下的定位跟踪可靠性和及时性,可以稳定连续提供AGV的绝对定位信息。针对由于AGV绝对定位信息与行驶道路间未建立联系导致曲线运动时导航偏差获取困难及绝对位姿信息缺失时准确进行路径跟踪问题,将笛卡尔坐标系下的绝对位姿转换至Frenet坐标用于计算导航偏差。当室外环境下GPS存在失锁情况时,考虑导航信息冗余性采用车载相机获取行驶路面状况,将具有桶形畸变的图像正畸处理后转换至HSV色彩空间,分离饱和度高、对比度强的路径标识线,突出路面导航目标信息。经形态学滤波和双边滤波的图像预处理去除路面纹理和背景噪声。采用边缘检测及霍夫直线检测获取路径行驶区域的角点坐标。根据基准图像的路径区域角点计算逆透变换矩阵,建立图像坐标与实际位置的关系推导出导航偏差,实现GPS失锁时的路径跟踪导航偏差实时准确获取。通过模糊PID路径纠偏控制的实例仿真验证了该方法可以有效保证室外AGV的道路跟踪正确性和行驶安全性。室外AGV定位与导航实验研究。通过车载感知系统（RTK-GPS、IMU、车载相机、视觉传感器）接受多源异质信息,采用C++编写了 WIN系统下的基于QR分解的强跟踪自适应改进容积卡尔曼算法对AGV位姿进行最优估计。通过对GPS静态定位精度标定及按照给定距离设置二维码定位标签建立了位置精度为±1mm,方位精度为±1。的室外绝对定位基准。在无传感器噪声先验数据条件下通过室外动态直线和曲线行驶定位实验验证了本文所提出的多传感器信息融合自适应定位方法的有效性和可行性,其位置定位误差<5cm,误差标准差<4cm。将基准位置路径识别区域测量值与基准图像配准后计算逆透矩阵,把图像坐标投影至实际道路模型中计算导航偏差。视觉导航的横向定位精度<5cm,方位定位精度<0.5°,满足了在GPS失锁情况下的路径导航偏差信息的精度要求。综上本文室外自适应定位组合导航算法可提供动态厘米级定位精度,当GPS失锁时,根据路面图像信息提供厘米级导航偏差数据,为室外AGV提供了可靠的定位导航信息。
张征[8]（2021）在《基于多传感器数据融合的煤矿井下移动机器人精确定位技术研究》文中认为
李斌鹏[9]（2021）在《基于双维度的装配作业动作识别方法研究》文中进行了进一步梳理人机交互技术（Human-Computer Interaction,HCI）已成为21世纪信息领域亟需解决的重大课题和当前信息产业竞争的一个焦点,世界各国都将人机交互技术作为重点研究的一项关键技术。本课题面向机械装配作业,以减速器轴系的装配为研究对象,展开对装配作业中作业手势的识别研究工作,分析装配作业中手部的变化,结合装配作业手势复杂多变、遮挡、混叠、姿态相似等特点,对装配作业手势数据进行双维度采集,确定合理的双维度识别方案,进行手势数据的融合,提取手势特征,借助关键帧提取算法和识别算法完成对手势的识别,快速准确地对装配作业动作进行判别,加强示教及人机交互的能力。论文的主要研究工作如下:（1）针对装配作业手势识别中存在识别精度低、速度慢等问题,提出一种基于双维度数据融合的动作识别解决方案,对方案涉及的原理与关键技术进行了分析。通过分解装配作业任务,建立了手部动作、动素及装配操作的关联关系,形成了以作业手势划分与提取、双维度手势数据采集与融合、作业手势分类与识别为核心的动作识别技术路线,并对其中的多维度数据融合、关键帧提取算法等关键技术进行分析,以确保技术方案可行,且有利于提高手势识别精度和速度。（2）论文以减速器中轴系的装配为例,进行了装配作业流程分析,采用基于动素的作业动作分析,提取出了轴系装配所涉及的12种装配作业手势,按照位移变化分为静态手势和动态手势;对人手结构分析进行手势建模,完成了手势特征的提取,用于表征装配作业手势;最后针对由于遮挡、混叠等现象导致采集数据失真问题,进行了双Leap Motion布局设计,搭建了双维度数据采集系统,对装配作业手势数据进行初步的采集和处理。（3）研究了基于双维度的装配作业动作识别方法。选择SVD坐标系转换法对手势数据进行坐标转换,针对双Leap Motion不同放置角度,利用标准手势获得了不同角度下的坐标旋转矩阵和平移矩阵;对转换后获得同一坐标下的手势数据进行坐标偏差分析,确定了双Leap Motion的最佳放置角度;研究了基于主成分分析法的手势数据融合方法,利用SVM对融合后的手势特征进行训练学习,通过识别结果对比分析,证明数据融合可以提高手势的识别准确率和可靠性。（4）研究了基于关键帧的装配作业手势识别方法。设计了每帧手势数据的综合变化表征参数,结合时间序列形成了作业动作的变化曲线;搜索曲线的局部极值点,再对其进行密度聚类以获得手势序列的关键帧;在确定关键帧提取算法流程的基础上开展实例研究,实现了轴承装配作业手势运动序列的关键帧提取和识别,完成了识别结果与标准作业序列的匹配度分析,确定了识别结果的可信度,证明了该方法的可行性和有效性。
姜瑶瑶[10]（2021）在《基于海管的水下多传感器信息融合与识别算法研究》文中进行了进一步梳理
二、多传感器图像融合方法研究（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、多传感器图像融合方法研究（论文提纲范文）
（1）防空导弹拦截效果评估研究综述（论文提纲范文）
| 1 引言 |
| 2 拦截效果评估研究现状 |
| 2.1 拦截效果评估流程 |
| 2.2 目标毁伤等级判定 |
| 2.3 拦截效果评估方法 |
| 2.3.1 直接观察法 |
| 2.3.2 信息分析法 |
| 3 拦截效果评估模型 |
| 3.1 模糊理论评估模型 |
| 3.2 贝叶斯网络评估模型 |
| 3.3 随机多属性分析模型 |
| 4 多传感器的融合 |
| 4.1 特征级融合 |
| 4.2 决策级融合 |
| 5 拦截效果评估方法研究趋势 |
| 6 结论 |
（2）汽车自动驾驶领域的传感器融合技术（论文提纲范文）
| 1 研究背景 |
| 2 自动驾驶中常用的传感器 |
| 2.1 激光雷达 |
| 2.2 摄像头 |
| 2.3 毫米波雷达 |
| 3 图像识别中的传感器融合技术 |
| 4 多传感器信息融合体系 |
| 4.1 分布式传感器融合 |
| 4.2 集中式传感器融合 |
| 4.3 混合式传感器融合 |
| 5 融合模型 |
| 5.1 激光雷达+摄像头 |
| 5.2 毫米波雷达+摄像头 |
| 6 融合算法 |
| 6.1 加权平均法 |
| 6.2 卡尔曼滤波 |
| 6.3 神经网络 |
| 7 结束语 |
（3）基于VINS-MONO的融合SLAM应用于自动驾驶的技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 纯视觉SLAM的研究现状 |
| 1.2.2 多传感器融合SLAM的研究现状 |
| 1.3 本文主要内容和创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文创新点 |
| 1.4 本文组织结构 |
| 第二章 融合SLAM的理论基础 |
| 2.1 传统视觉SLAM经典框架 |
| 2.2 视觉重投影误差和BA模型 |
| 2.3 VINS系统的预积分基础理论 |
| 2.4 本章小结 |
| 第三章 基于SegNet分割网络的动态物体检测和剔除算法研究 |
| 3.1 DS-SLAM动态物体检测与剔除算法 |
| 3.2 改进的动态物体检测与剔除算法的框架设计 |
| 3.3 动态点检测算法 |
| 3.3.1 基于极线距离的动态点检测 |
| 3.3.2 基于几何深度的动态点检测 |
| 3.4 基于形态学的掩膜预处理 |
| 3.5 面向动态点剔除的掩膜修复算法研究 |
| 3.6 实验结果和分析 |
| 3.6.1 掩膜修复的实验和分析 |
| 3.6.2 系统定位实验和分析 |
| 第四章 多相机、陀螺仪、轮式里程计融合SLAM研究 |
| 4.1 多相机、陀螺仪、轮式里程计紧耦合SLAM框架 |
| 4.2 数据预处理 |
| 4.3 融合SLAM系统初始化 |
| 4.4 引入边特征的前端特征点 |
| 4.5 多传感器融合 |
| 4.5.1 两帧之间的预积分和里程表残差约束 |
| 4.5.2 视觉残差约束 |
| 4.5.3 平面残差约束 |
| 4.6 基于多相机的交叉闭环检测算法 |
| 4.6.1 VINS-MONO基于闭环检测的重定位和位姿图优化算法 |
| 4.6.2 基于汽车改进的多相机交叉闭环检测 |
| 4.7 实验结果和分析 |
| 4.7.1 融合SLAM的定位实验和分析 |
| 4.7.2 基于多相机的交叉闭环检测算法实验和分析 |
| 4.8 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 下一步研究方向 |
| 参考文献 |
| 附录 缩略语表 |
| 致谢 |
（4）基于多传感器的复杂地形下机器人跟随技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究发展现状 |
| 1.2.1 国外自主跟随机器人发展现状 |
| 1.2.2 国内自主跟随机器人发展现状 |
| 1.2.3 自主跟随机器人发展分析 |
| 1.3 自主跟随关键技术发展现状 |
| 1.3.1 机器人定位技术 |
| 1.3.2 目标检测技术 |
| 1.3.3 多传感器数据融合 |
| 1.4 论文的研究内容及结构安排 |
| 2 跟随机器人原理分析及关键技术研究 |
| 2.1 引言 |
| 2.2 跟随机器人原理分析 |
| 2.2.1 跟随机器人系统需求分析 |
| 2.2.2 机器人跟随方式 |
| 2.3 跟随机器人关键技术研究 |
| 2.3.1 机器人定位技术 |
| 2.3.2 目标检测技术 |
| 2.4 本章小结 |
| 3 多传感器数据融合方法研究 |
| 3.1 引言 |
| 3.2 数据融合算法研究 |
| 3.2.1 加权平均法 |
| 3.2.2 D-S证据推理法 |
| 3.2.3 扩展卡尔曼滤波法 |
| 3.3 数据融合预处理 |
| 3.3.1 时间同步 |
| 3.3.2 空间同步 |
| 3.3.3 系统标定 |
| 3.4 激光雷达-相机数据融合实验 |
| 3.5 机器人航迹融合实验 |
| 3.5.1 凸组合航迹融合算法 |
| 3.5.2 算法仿真及结果分析 |
| 3.6 本章小结 |
| 4 自主跟随系统局部路径规划 |
| 4.1 引言 |
| 4.2 路径规划算法研究 |
| 4.2.1 Dijkstra算法 |
| 4.2.2 A~*算法 |
| 4.2.3 人工势场算法 |
| 4.3 基于改进人工势场法的路径规划 |
| 4.3.1 改进的人工势场 |
| 4.3.2 改进人工势场算法仿真实验 |
| 4.4 本章小结 |
| 5 仿真环境搭建及实验验证与分析 |
| 5.1 引言 |
| 5.2 建立随机地图 |
| 5.2.1 复杂地形分类建模研究 |
| 5.2.2 随机地图建立规则 |
| 5.3 机器人运动学分析 |
| 5.4 目标运行轨迹记录 |
| 5.4.1 坐标变换 |
| 5.4.2 实验结果 |
| 5.5 本章小节 |
| 6 总结与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（5）变电站继电保护室智能巡检图像预处理关键技术研究（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 智能巡检图像预处理技术研究现状 |
| 1.2.1 图像畸变矫正与图像拼接研究现状 |
| 1.2.2 视觉终端姿态调整研究现状 |
| 1.2.3 图像融合研究现状 |
| 1.2.4 智能识别算法研究现状 |
| 1.3 本论文主要研究内容与论文章节安排 |
| 1.4 本章小结 |
| 第二章 继电保护室内大视场畸变图像预处理技术 |
| 2.1 引言 |
| 2.2 继电保护室内视觉终端的成像模型 |
| 2.2.1 小孔成像模型 |
| 2.2.2 俯仰角度下的线性畸变模型 |
| 2.3 变电站控制柜图像的畸变校正 |
| 2.3.1 图像校正的目的 |
| 2.3.2 图像校正的实现 |
| 2.4 变电站控制柜图像的匹配与拼接技术 |
| 2.4.1 图像匹配 |
| 2.4.2 控制柜图像的拼接方法 |
| 2.4.3 实验结果与结论 |
| 2.5 本章小结 |
| 第三章 巡检视觉终端姿态自适应调整研究 |
| 3.1 引言 |
| 3.2 视觉终端姿态自适应调整总体方案设计 |
| 3.3 基于YOLOv2 网络的目标检测方法 |
| 3.3.1 YOLOv2 网络结构 |
| 3.3.2 预训练网络模型 |
| 3.3.3 目标检测流程 |
| 3.4 视觉终端姿态自适应调整实现 |
| 3.4.1 方位偏差计算方法 |
| 3.4.2 俯仰角与偏移角调整顺序方案 |
| 3.4.3 机电控制硬件实现 |
| 3.4.4 姿态自适应调整的软件实施 |
| 3.5 系统运行测试结果及分析 |
| 3.5.1 YOLO算法目标检测精确度与速度测试 |
| 3.5.2 摄像头角度自适应调整效果测试 |
| 3.6 本章小结 |
| 第四章 变电站玻璃柜门高光的检测与抑制 |
| 4.1 引言 |
| 4.2 基于阈值分割的高光区域检测 |
| 4.2.1 压板图像特征分析 |
| 4.2.2 基于阈值分割算法的柜门高光区域检测 |
| 4.3 基于ORB算法的图像配准 |
| 4.3.1 ORB算法特征点的检测 |
| 4.3.2 基于RANSAC算法的透视变换 |
| 4.3.3 基于图像融合抑制高光区域 |
| 4.4 本章小结 |
| 第五章 继电保护室智能巡检图像预处理应用测试 |
| 5.1 继电保护室智能巡检机器人平台 |
| 5.2 机器人视觉终端定位测试 |
| 5.3 智能巡检图像预处理应用测试 |
| 5.3.1 狭小空间巡检大视场无畸变成像测试 |
| 5.3.2 高光抑制效果测试 |
| 5.3.3 图像预处理后的目标识别测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
| 攻读学位期间专利情况 |
（6）基于物联网云平台的家居火灾监控系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 智慧消防国内外发展研究现状 |
| 1.2.1 智慧消防国外发展研究现状 |
| 1.2.2 智慧消防国内发展研究现状 |
| 1.3 智慧消防系统存在的问题 |
| 1.4 本文主要研究内容及章节安排 |
| 1.5 本章小结 |
| 第二章 系统相关技术 |
| 2.1 物联网云平台 |
| 2.1.1 OneNET云平台 |
| 2.1.2 OneNET云平台的相关技术 |
| 2.2 WiFi无线通信 |
| 2.3 TCP/IP协议 |
| 2.4 多传感器数据融合技术 |
| 2.4.1 多传感器数据融合的原理 |
| 2.4.2 多传感器数据融合算法 |
| 2.5 颜色模型与Cart分类决策树 |
| 2.6 系统整体结构 |
| 2.7 本章小结 |
| 第三章 系统硬件的设计与开发 |
| 3.1 智能终端控制器 |
| 3.2 Esp8266无线模块 |
| 3.3 温湿度传感器模块 |
| 3.4 火焰传感器模块 |
| 3.5 MQ-2烟雾传感器模块 |
| 3.6 OV2640摄像头模块 |
| 3.7 继电器控制模块 |
| 3.8 本章小结 |
| 第四章 系统各模块程序设计 |
| 4.1 传感器数据采集程序设计 |
| 4.1.1 温湿度传感器模块程序设计 |
| 4.1.2 MQ-2烟雾传感器与火焰传感器模块程序设计 |
| 4.1.3 OV2640摄像头模块图像采集程序设计 |
| 4.2 智能终端接入云平台的程序设计 |
| 4.2.1 USART串口初始化程序设计 |
| 4.2.2 Esp8266无线模块初始化 |
| 4.2.3 终端设备EDP接入连接请求 |
| 4.2.4 设备数据打包上传 |
| 4.2.5 EDP协议下发命令的解析 |
| 4.3 One NET云平台的应用设计 |
| 4.3.1 OneNET云平台设备的添加及数据管理 |
| 4.3.2 预警触发器的设计 |
| 4.3.3 UI界面的设计 |
| 4.4 本章小结 |
| 第五章 基于DS证据理论算法在火灾中的应用 |
| 5.1 DS证据理论 |
| 5.1.1 DS证据理论数据融合算法 |
| 5.1.2 DS证据理论数据改进融合算法 |
| 5.2 证据关联系数的冲突证据融合算法在火灾中的应用 |
| 5.3 本章小结 |
| 第六章 基于图像的火焰识别 |
| 6.1 动态目标的检测算法 |
| 6.1.1 帧间差分法 |
| 6.1.2 图像数学形态处理 |
| 6.1.3 帧间差分法实验分析 |
| 6.2 火焰特征识别的方法 |
| 6.3 基于Adaboost分类器的火焰识别 |
| 6.3.1 Adaboost基本理论 |
| 6.3.2 Adaboost级联分类器的训练 |
| 6.3.3 Adaboost级联分类器测试结果分析 |
| 6.4 本章小结 |
| 第七章 系统测试 |
| 7.1 OneNET云平台模块与系统硬件模块测试 |
| 7.2 系统可靠性及实时性测试 |
| 7.3 本章小结 |
| 第八章 总结和展望 |
| 8.1 总结和展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文情况 |
（7）基于多源数据融合的室外AGV自适应定位与导航方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 室外AGV的定位方法研究现状 |
| 1.2.2 室外AGV的路径导航方法研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 多传感器数据融合定位方法研究 |
| 2.1 容积卡尔曼滤波算法 |
| 2.1.1 多传感器融合系统与观测方程 |
| 2.1.2 容积卡尔曼滤波算法 |
| 2.2 传感器多频率下的最大信息利用率方法研究 |
| 2.3 仿真实验 |
| 2.3.1 非线性位姿变化的定位稳定性对比仿真 |
| 2.3.2 传感器频率不同时定位对比仿真 |
| 2.4 本章小结 |
| 第3章 不确定条件下的自适应定位方法研究 |
| 3.1 模型参数不确定下的自适应定位方法 |
| 3.1.1 模型不确定下的定位问题描述 |
| 3.1.2 系统稳定性判断 |
| 3.1.3 基于改进Sage-husa的自适应算法 |
| 3.2 车辆位姿突变情况下的定位方法研究 |
| 3.2.1 状态突变情况下的定位问题描述 |
| 3.2.2 基于多渐消因子的误差协方差修正 |
| 3.2.3 强跟踪算法研究 |
| 3.3 仿真实验 |
| 3.3.1 模型不确定下自适应算法对比仿真实验 |
| 3.3.2 状态突变的强跟踪仿真实验 |
| 3.4 本章小结 |
| 第4章 室外AGV的路径跟踪导航方法研究 |
| 4.1 计算路径导航偏差 |
| 4.1.1 组合导航偏差计算 |
| 4.1.2 路径标识线提取 |
| 4.1.3 视觉导航偏差计算 |
| 4.2 基于模糊PID的路径跟踪 |
| 4.2.1 模糊PID控制器设计 |
| 4.2.2 路径跟踪仿真实验 |
| 4.3 本章小结 |
| 第5章 室外AGV定位与导航实验研究 |
| 5.1 实验平台 |
| 5.1.1 实验平台硬件构成 |
| 5.1.2 实验平台软件构成 |
| 5.1.3 车载传感器数据处理 |
| 5.2 室外定位与导航偏差实验 |
| 5.2.1 定位基准设定 |
| 5.2.2 室外动态定位实验 |
| 5.2.3 车载视觉导航实验 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（9）基于双维度的装配作业动作识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 手势识别数据采集方式的发展 |
| 1.2.2 手势识别应用研究现状 |
| 1.2.3 关键技术研究现状 |
| 1.3 课题主要研究内容 |
| 1.4 论文章节安排 |
| 2 机械产品装配作业分析及动作识别方法设计 |
| 2.1 识别研究对象分析 |
| 2.2 装配任务分解模型 |
| 2.3 识别整体解决方案 |
| 2.4 动作识别的关键技术 |
| 2.4.1 作业动作分析理论 |
| 2.4.2 双维度装配作业识别方法 |
| 2.4.3 关键帧提取与识别技术 |
| 2.5 本章小结 |
| 3 装配作业动作分析及双维度手势采集系统搭建 |
| 3.1 装配作业动作分析 |
| 3.1.1 减速器轴系装配作业过程 |
| 3.1.2 基于动素的减速器轴系的装配作业动作分析 |
| 3.1.3 减速器轴系的装配作业动作手势分析 |
| 3.2 手势建模 |
| 3.2.1 人手结构建模分析 |
| 3.2.2 手势特征的分析 |
| 3.3 基于Leap Motion的双维度数据采集 |
| 3.3.1 设备介绍 |
| 3.3.2 双Leap Motion的布局设计 |
| 3.3.3 数据采集与处理 |
| 3.4 本章小结 |
| 4 基于双维度数据融合的装配作业动作识别方法研究 |
| 4.1 双维度识别方法原理 |
| 4.2 双维度坐标系转换 |
| 4.2.1 SVD坐标系转换方法 |
| 4.2.2 多传感器标定 |
| 4.3 双维度装配作业手势数据融合 |
| 4.3.1 多传感器数据融合策略 |
| 4.3.2 基于主成分分析法的数据融合 |
| 4.4 基于SVM的作业动作识别实验及结果分析 |
| 4.4.1 SVM手势识别算法 |
| 4.4.2 不同角度下的手势数据采集效果 |
| 4.4.3 融合过程分析 |
| 4.4.4 识别结果分析 |
| 4.5 本章小结 |
| 5 基于关键帧的装配作业手势识别方法研究 |
| 5.1 关键帧的定义 |
| 5.2 基于密度聚类的关键帧提取模型 |
| 5.2.1 关键帧表征参数设计 |
| 5.2.2 局部极值点搜索 |
| 5.2.3 密度聚类 |
| 5.2.4 算法流程 |
| 5.2.5 算法评判准则 |
| 5.3 装配作业动作关键帧提取实验 |
| 5.3.1 手势装配作业序列数据的获取 |
| 5.3.2 关键帧提取 |
| 5.3.3 识别实验及结果分析 |
| 5.4 本章小结 |
| 6 结论 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
四、多传感器图像融合方法研究（论文参考文献）
- [1]防空导弹拦截效果评估研究综述[J]. 宋贵宝,刘镇毓,刘铁,姜子劼,刘战. 兵器装备工程学报, 2021(11)
- [2]汽车自动驾驶领域的传感器融合技术[J]. 石晏丞,李军. 装备机械, 2021(03)
- [3]基于VINS-MONO的融合SLAM应用于自动驾驶的技术研究[D]. 朱永成. 北京邮电大学, 2021(01)
- [4]基于多传感器的复杂地形下机器人跟随技术研究[D]. 冯铂凯. 沈阳建筑大学, 2021
- [5]变电站继电保护室智能巡检图像预处理关键技术研究[D]. 杜珂. 广西大学, 2021(12)
- [6]基于物联网云平台的家居火灾监控系统的研究与实现[D]. 梁剑烽. 广西大学, 2021(12)
- [7]基于多源数据融合的室外AGV自适应定位与导航方法研究[D]. 陈廷广. 西安理工大学, 2021(01)
- [8]基于多传感器数据融合的煤矿井下移动机器人精确定位技术研究[D]. 张征. 中国矿业大学, 2021
- [9]基于双维度的装配作业动作识别方法研究[D]. 李斌鹏. 西安理工大学, 2021(01)
- [10]基于海管的水下多传感器信息融合与识别算法研究[D]. 姜瑶瑶. 哈尔滨工程大学, 2021