一、足球机器人视觉系统的实现技术（论文文献综述）
刘川[1]（2020）在《小型类人足球机器人的设计与控制系统研究》文中提出类人机器人是集机械工程、电子工程、计算机科学、自动控制技术于一体的多学科交叉的产物,是机器人领域的一个重要研究方向。本文根据2019年的Robo Cup小型类人足球机器人比赛规则,设计制作了机器人物理样机,完成了其控制系统的搭建,使得机器人具备一定的行动能力和感知能力去完成足球比赛。本文首先对机器人的机械结构及硬件设备进行了设计和选型,机器人包含18个自由度,利用总线式数字舵机作为关节执行器,通过摄像头和惯性测量单元感知外部信息;主控分为两层,上层做主要运算,下层做硬件控制;电路上分为供电、通信和交互等部分,并采用主控与舵机隔离供电的方式。机器人的逆运动学求解使用了解析方法,建立了机器人行走以及动作控制的基础。本文实现了一个小型的机器人控制系统,分为不同的模块,模块间具有较低的耦合度,通过广播消息和远程过程调用通信。该控制系统根据功能主要划分为主控制器、底层控制器、调试系统、辅助系统、运动控制系统和视觉系统。主控制器包含运动学、上下层通信系统、基于有限状态机的决策系统等。底层控制器用于舵机等设备的控制和部分传感器数据的读取。调试系统基于Qt图形界面框架,具备图像调试、参数校准、机器人遥控及状态监测等功能。辅助系统中完成了基于CMake的交叉编译规则以及基于Python的自动化脚本系统。运动控制系统用于规划机器人的行走和特殊动作。文中搭建了基于Webots平台的机器人仿真模型,以便对运动控制进行测试。在行走的规划中,利用倒立摆模型和零力矩点理论规划质心轨迹,利用多项式规划摆动腿轨迹。对于机器人的特殊动作,文中提出了基于动作中关键位姿插值的方法,并设计了对应工具。视觉系统中,预处理阶段完成了不同图像数据的采集、图像颜色空间及存储格式的转换、基于双线性插值的图像尺寸缩放以及图像的畸变矫正,并提出了利用CUDA加速图像预处理的方法。目标提取阶段,基于统计及RANSAC拟合方法实现了场地边界提取,基于卷积神经网络完成了球门和足球识别。
郎志宇[2]（2019）在《基于自主视觉的足球机器人目标识别算法》文中进行了进一步梳理嵌入式轮式机器人运用视觉传感器实现目标识别任务是目前热点研究之一,面对的核心问题是怎样设计一种目标识别方法,能够满足机器人在复杂、特定的应用场景中快速的、有效的完成目标识别任务,同时也能对轮式机器人在运动中执行指令更加及时、动作更加灵敏提供保障。本文把轮式足球机器人足球竞赛作为背景展开研究,针对特定应用场景中的足球、足球机器人等元素的辨别问题,主要完成了以下四方面工作内容:（1）本文设计了基于自主视觉的足球机器人目标识别方法。此方法结合Haar-like特征、SVM和AdaBoost学习分类算法在服务器端完成获取训练样本集、构造强分类器的任务,通过强分类器模型实现在机器人视野中遍历识别出目标,减少了机器人在目标识别方面对色彩编码化等的依赖。（2）本文提出了基于动态目标区域预估的目标识别算法,通过三帧差法实现对动态目标的预估区域的标记,在对视野图像遍历时,优先对预估区域检测。此方法进一步提高了目标识别系统的实时性。（3）本文结合使用了一种轮式足球机器人多传感器信息融合算法,此算法改进了PID算法公式上的微分项及积分项,提升了融合计算的效率,输出的数据也愈加精确,从而为实现精准快速的机器人目标识别提供了控制层面上的支持。（4）本课题研究的内容是在资源受限的情况下完成轮式足球机器人的目标识别,不需要高性能计算机,只需用普通计算机就可以完成小样本集的训练,并能有很好的识别效果,满足足球机器人竞赛需求。本文进行了多组识别目标的验证实验,实验的结果证实本文设计的识别方法具备比较好的效果,在真实的应用场景中也很大程度的提高了识别过程的实时性,在目标非静态的情况下同样能够实现很好的识别。这个方法在应用场景中光照情况复杂多变时依然具备比较优良的识别效果。经过对常见物体的样本采集及训练,基于自主视觉的目标识别算法还能够应用在日常生活中的识别场景。
王国文[3]（2019）在《基于全向视觉的足球机器人目标识别与跟踪研究》文中认为视觉信息处理技术对于足球机器人来说,是完成各项任务的最基础以及最关键的技术。本文的研究背景基于RoboCup中型组足球机器人,对中型组足球机器人的研究包括视觉设计、运动控制、硬件设计、路径规划、攻防策略等方面。其中全向视觉系统处于关键性地位,该系统性能的好坏直接对足球机器人任务是否顺利完成起着重要的作用。对这一系统的研究可以促进人工智能领域相关技术的发展,同时也使得机器视觉的应用更加的丰富多样。在中型组足球机器人比赛的应用场景中,目标足球是足球机器人最主要的识别任务。当目标被识别时,会产生外部干扰,如光照强度、图像失真等。因此,抗干扰性以及识别精度是目标识别和跟踪算法主要需要提高和改进的方面。本文主要围绕足球机器人目标识别与跟踪进行了以下一些方面的研究和改进:（1）图像的预处理中型组足球机器人的视觉系统一般采用全向视觉系统,该系统的颜色空间需要有针对性的进行选择,本文通过将HSI颜色空间和YUV颜色空间的分量相结合,设计出了一种更有针对性的颜色空间,更有利于目标的识别。在图像预处理的过程中,对同态滤波算法进行了改进,将该算法与Mallat小波变换结合,弥补了传统同态滤波对于局部特征的增强效果较差的缺点。改进后的方法更能提高图像的信噪比,并且可以较完整的保留原始图像中的局部信息。（2）目标物体的识别在对目标物体进行识别的过程中需要对图像进行区域扫描,一般的方法为逐个像素扫描,这样做的效率比较低。而且足球机器人的目标识别一般采用阈值法,但该方法对光照比较敏感。所以为了克服以上这些缺点,本文提出了基于biSCAN扫描线的SVM算法。经实验验证,该算法的鲁棒性较好,对光照变化有较强的适应力,能够满足比赛需求。（3）目标物体的跟踪本文采用均值漂移来作为目标跟踪的理论依据,并针对全向视觉的特点对目标特征模型进行了改进,使得改进后的算法更加的适用于足球机器人的目标跟踪。该算法对目标形状以及角度的变化的抗干扰性较强,适合应用于全向视觉的目标跟踪中。实验证明该算法对目标的跟踪效果较好,基本满足比赛中对目标跟踪的要求。通观全篇,本文针对传统算法的一些不足进行了改进,提出了基于Mallat小波变换的同态滤波图像增强算法、基于biSCAN的SVM识别算法以及基于全向视觉特点的目标特征模型,实验结果表明,这些改进有效的提升了目标识别与跟踪的准确度以及稳定性。
杨超儒[4]（2019）在《基于视觉的足球机器人目标识别与路径规划研究》文中指出机器人足球比赛是足球运动与机器人学、人工智能、行为决策等高新技术相结合的产物,是一个很好的实践平台。本文以小型组足球机器人为研究对象,主要研究视觉相机的标定、彩色图像分割的阈值校准、机器人场地的校准、机器人位姿的确定和机器人路径规划。本文的主要研究内容如下:首先,为了提高相机校准精度,提出了一种使用平均像素误差来衡量标准精度的方法,并采用张正友棋盘法对相机完成了参数标定。针对光照对彩色图像分割阈值影响的问题,提出了一种阈值分量标定方法,并进行了对比试验。其次,建立了图像坐标系与场地坐标系转换数学模型,针对设备安装过程中相机与场地之间存在的偏转问题,对数学模型进行了修正。提出了一种基于形状模板匹配的场地标定方法,并且对场地进行了校准实验。再次,建立了适用于本文机器人色标的位姿描述数学模型,并对机器人高度造成的实际位置与目标识别位置之间的差值进行了补偿,对机器人的位置、方向角和标号进行了识别实验。最后,研究了机器人路径规划的常用方法,在人工势场法的基础上,针对其收敛速度的问题,建立了步长评价函数,将机器人相邻两步的受力及机器人的方向角引入步长评价函数,并进行了对比试验。
罗莎[5]（2017）在《动态环境中足球机器人目标检测与定位方法研究》文中研究表明本文以RoboCup为研究背景,针对动态环境下中型组足球机器人基于视觉的目标检测与定位定位问题开展研究。目前大部分参赛队伍使用全向视觉系统作为视觉感知模块,尽管该系统具有视野广的优点,可以在不移动相机的情况下获取环境的全景图像信息,但它也存在不可避免的缺陷,如无法准确获取目标的高度信息以及障碍物检测算法过度依赖障碍物颜色特征等。论文首先针对全向视觉系统的不足,设计了RGB-D视觉系统,该视觉系统由嵌入式开发板Jetson TX1与Kinect v2相机共同构成,用于辅助全向视觉系统感知环境。该视觉系统为本文提出的算法提供了一个稳定而可靠的硬件平台,这为以后的研究奠定了基础。然后,基于所设计的硬件平台,本文提出并实现了基于并行计算的目标检测与定位方法。该方法利用足球的颜色与深度信息对足球进行检测与定位,以及利用障碍物在点云中的形状特征对障碍物进行检测与定位,所涉及的算法均基于CUDA实现并行计算以提高算法运算速度。实验结果表明,该方法用于RGB-D视觉系统,相比于全向视觉系统能更准确地检测与定位目标。此外,该方法对障碍物的检测不依赖于颜色特征,在满足比赛实时性要求的同时能准确检测任意颜色的障碍物。最后,基于该硬件平台,本文尝试了使用基于卷积神经网络的方法对我方与对方机器人进行检测与定位。该方法主要分为两个阶段:机器人检测与机器人定位。其中机器人检测包括数据集制作、图像预处理过程加速等,机器人定位包括图像配准与点云生成、排除干扰信息以及结合深度信息进行定位。最后,使用测试数据集对训练的卷积神经网络性能进行评估,得到对机器人检测的平均检测准确率（mAP）为93.66%,且通过图像预处理加速过程使检测过程的处理帧率由9Hz提高到18Hz。实验结果表明:本文设计实现的目标检测与定位算法在满足比赛实时性的同时能准确检测与定位目标,且对障碍物的检测不依赖于其颜色信息,弥补了原来全向视觉系统的缺陷且提高了系统的鲁棒性能,是在实际应用中可行的技术方案。
潘浩[6]（2012）在《中型组足球机器人视觉系统光照鲁棒性的研究》文中提出中型组机器人足球比赛是机器人足球世界杯（RoboCup）中的一个重要项目,该项目机器人完全自主,最具挑战性。机器人通过视觉传感器对彩色目标进行颜色分类和目标识别,进而完成路径规划、踢球、射门等任务。中型组机器人足球比赛为机器视觉的相关技术研究提供了一个标准的测试环境。对RoboCup中型组足球机器人视觉系统光照鲁棒性的研究,能够拓展机器视觉的应用领域,丰富和发展机器视觉与图像处理的理论知识。在收集和分析国内外相关文献的基础上,本文主要针对机器人视觉的颜色离线标定和颜色识别的光照鲁棒性进行研究。主要研究工作如下：（1）足球机器人视觉的颜色离线标定颜色离线标定是为了建立颜色查找表,颜色查找表是一种映射表,里面是颜色值所一一对应的颜色类别。具体过程是首先用HSI颜色空间表示场地图像的颜色特性；在图像的初始分割中,忽略亮度分量对图像分割的影响,利用波峰查找算法对HS二维颜色直方图进行初始分割；最后以初始分割的值作为初始值,采用模糊C-均值聚类方法对阈值进行补偿,生成颜色查找表,用于实时比赛中对于图像颜色的分类。（2）颜色识别的光照鲁棒性研究本文同时还对在光照变化的条件下,如何提高颜色识别的鲁棒性做了研究。首先比赛开始前初始化球场绿色像素的色调直方图和亮度直方图,利用反向投影的方法通过色调直方图找出球场上的绿色点,记录亮度直方图,在光照变化的情况下通过球场的亮度直方图计算光照变化率,补偿光照变化,更新颜色查找表,提高颜色识别的鲁棒性。论文最后对全文进行了总结,说明了主要研究成果,同时指出本文的不足和有待进一步研究的问题。
胡佳[7]（2012）在《足球机器人视觉系统的研究》文中研究指明足球机器人比赛是近年来国际上兴起的一种高科技竞赛活动。足球机器人分为两大系列：FIRA系列和RobCup系列。足球机器人是集机器人学、智能控制、数据融合、计算机技术、无线通讯、图像处理、机械学等多种学科和技术于一体的综合性产物，它本身又是一个很典型的非线性的控制对象，为各种控制理论提供了一个非常好的实验平台。FIRA系列足球机器人主要由视觉子系统、决策子系统、通讯系统、机器人小车系统四部分组成。本文阐述FIRA系列足球机器人视觉子系统的设计与研究。文中首先详细叙述基本技术原理视觉的计算理论以及着名的Marr视觉的计算理论。其次分别叙述机器人视觉系统中图像输入、图像预处理、初始人机交换、图像分析、结果输出这5个步骤过程。在图像预处理这个过程中，本文通过基于BP神经网络的图像压缩算法来降低图像因环境而受到的污染程度以及减少图像中的冗余信息。还提出基于BP网络图像校正算法，通过该算法校正因镜头产生的非线性失真效果比几何畸变图像校正算法效果要明显一些。在图像分析步骤中，提出了彩色图像样本邻域值分割方法，该方法是一种特征聚类方法。通过在颜色空间中进行样本推理假设和容斥运算，构建目标样本在颜色空间中的超集，用颜色空间的特征函数描述多目标聚类结果，最终将特征函数存储在目标特征信息库中。在实时图像分割的过程中，利用特征函数实现图像坐标集合划分简便快捷。本文最后设计了一种新的色标方案及其辨识算法来提高识别速度问题。色标的设计向来都是视觉系统中核心技术，色标设计好坏、与色标相关的搜索方式优劣以及相关算法性能高低都对视觉系统性能与效率有着重大的影响。传统的两种色标方案都有缺点，要么是容易被环境所影响或者被自身噪音所干扰，容易造成识别错误，要么就是算法非常复杂，需要较长时间运行，造成系统实时性低和总体性能降低。新的色标集合了两种传统方案的优点，即直接获得中心信息以及降低因环境所干扰造成识别错误。经过实验与测试平台测试新的色标方案大大降低了发生粘连的现象，有效降低错误识别率，同时算法的时间复杂度更小。但是获取信息的准确度因所拍摄的图像质量较差而影响较大，所以此新色标方案算法对摄像头的分别率要求很高，但是总体上也是可取的。
蒋玉玲[8]（2011）在《足球机器人视觉的全向反射镜面与颜色识别研究》文中认为机器人足球比赛系统是目前机器人控制、机器视觉、人工智能、多机器人协作等领域研究的一个热点,也是一个难点。RoboCup中型组机器人足球比赛为机器视觉的相关技术研究提供了一个标准的测试环境。对RoboCup中型组足球机器人视觉系统的研究,拓展了图像处理和识别技术的应用领域,丰富和发展了图像处理和识别技术的理论。在收集和分析国内外相关文献的基础上,本文主要针对全向反射镜面和颜色识别进行研究。主要研究工作：（1）全向反射镜面的研究针对中型组足球机器人全向视觉的全向反射镜面存在的问题,从硬件的方面来改善镜面,利用相关的软件来重新修正全向反射镜的曲面母线函数,使之与我们足球机器人相适应,进而进行相关的仿真。力求减少镜面近距离的畸变以及增大水平等比例所能观察的最远距离。（2）颜色识别的研究本文同时研究了中型组足球机器人足球的视觉系统光适应性。机器人的视觉系统主要由全向视觉,前向单目视觉和基于单片机的近距离视觉组成。主要针对全向视觉,从软件方面对全向视觉进行改善,提高彩色全景图像的颜色识别能力。增强视觉系统的光适应性,更加稳定地识别周围的环境,同时减少手动的颜色标定工作。论文最后对全文进行了总结,说明了主要研究成果,同时指出本文的不足和有待进一步研究的问题。
卢惠民[9]（2010）在《自主移动机器人全向视觉系统研究》文中研究指明本论文在设计实现了机器人全向视觉系统的基础上,重点研究了如何提高全向视觉系统的鲁棒性,并将其应用于自主移动机器人,实现鲁棒的目标识别和自定位。具有环境感知能力是移动机器人实现自主的基础,而视觉传感器是一种能为自主移动机器人提供最为丰富的环境信息的传感器。在各种视觉传感器中,全向视觉装置由于具有360°的水平视场角,能够在一幅图像中获取机器人周围环境的全景信息,经过图像处理、分析和理解可实现机器人的目标识别、建图、自定位等,因此已经在各种移动机器人中得到了越来越广泛的应用。尽管全向视觉在自主移动机器人中的应用已经取得了很多研究成果,但是由于该问题本身的复杂性和高难度,因此仍然面临很多的挑战。这些挑战中既有计算机/机器人视觉研究中面临的共性问题,又有由全向视觉的成像特性所带来的问题。例如在动态光线条件下,如何使机器人视觉的图像获取及图像处理和理解具有恒常性;机器人目前在复杂的非结构化环境中工作时所使用的局部视觉特征提取算法往往计算量过大,无法应用于具有较高实时性要求的实际工程问题,同时针对全向视觉的成像特性,局部视觉特征提取算法还要做相应的调整;如何提高利用全向视觉对各种普通目标的识别能力,以降低对机器人工作环境的约束;如何使机器人在室内结构化环境中的自定位对环境高度动态因素具有鲁棒性;针对机器人在非结构化环境中的自定位问题,如何更多的借鉴模式识别领域中的大量研究成果,使机器人认知环境和实现定位的工作方式与人类更加相符;等等。针对上述挑战,本文主要开展并完成了以下几个方面的研究工作:（1）全向视觉系统的设计与标定。较为完整地总结了折反射式全向视觉系统的设计及标定问题,并以RoboCup中型组比赛用机器人为实验对象,设计实现了一种新的使用组合反射镜面的NuBot全向视觉系统,给出了一个进行全向视觉系统设计的范例。根据该全向视觉系统非单视点成像的特点,采用一种免模型的标定思想,完成了该系统较为精确的距离映射标定。（2）基于图像熵的摄像机参数自动调节算法。光线条件的变化会极大的影响视觉系统采集到的图像,进而给机器人的目标识别、自定位等造成很大的困难。因此在定义了图像熵后,通过实验验证了图像熵能够有效地表征摄像机参数是否设置恰当,进而提出了一种基于图像熵的摄像机参数自动调节算法,使视觉系统输出的图像具有一定的恒常性,以提高机器人视觉系统对光线条件变化的鲁棒性。使用NuBot全向视觉系统和普通透视成像摄像机在室内外环境中开展实验,结果验证了该算法的有效性。（3）两种实时的应用于全向视觉的局部视觉特征提取算法。针对目前现有算法难以实时提取局部视觉特征的问题,提出了两种新的用于全向视觉的实时局部视觉特征提取算法,称为FAST+LBP和FAST+CSLBP,以使得局部视觉特征能够应用于实时性要求较高的实际工程问题。使用COLD图像数据库进行全景图像特征匹配实验,确定了算法的最优参数设置,并与经典的SIFT算法作性能和计算时间上的比较,验证了所提出的局部视觉特征算法的有效性和实时性。（4）基于全向视觉的足球机器人任意足球识别方法。通过分析足球在NuBot全向视觉系统中的成像特性,得出结论为其在全景图像中成像为椭圆,然后根据该成像特性设计了相应的图像处理算法实现对任意FIFA足球的检测,还结合球速估计算法实现了对任意FIFA足球的实时跟踪。该识别过程不依赖于足球的彩色信息,因此该研究既可以提高机器人全向视觉系统的鲁棒性,又可以降低RoboCup中型组比赛环境的颜色编码化程度以促进RoboCup最终目标的实现。实验结果验证了算法的有效性。（5）高度动态的室内结构化环境中基于全向视觉的机器人自定位。以RoboCup中型组比赛为应用背景和测试环境,设计了一种新的基于全向视觉的机器人自定位算法,结合目前最常用的两种定位算法即粒子滤波和匹配优化定位算法的优点,并弥补了各自的不足,以在实时获得高精度的自定位的同时实现有效的全局定位,同时结合使用基于图像熵的摄像机参数自动调节算法,使定位算法对环境的各种动态因素如视觉系统被大量遮挡、机器人高速动态对抗、变化的光线条件等具有很强的鲁棒性。在标准的RoboCup中型组比赛环境中开展一系列实验,结果验证了算法的有效性。（6）非结构化环境中基于全向视觉的机器人拓扑定位。非结构化环境中机器人导航定位等问题所使用的视觉特征往往是人类无法直接理解的,直接基于特征匹配的机器人拓扑定位则需要大量的存储空间,且与人类认识环境的工作方式也是不相符的。因此将模式识别领域中得到了很多成功应用的特征袋方法引入到机器人定位问题中,结合使用所提出的两种实时局部视觉特征和基于统计学习思想的支持向量机分类器学习算法,得到了一种基于局部视觉特征袋和支持向量机的机器人地点识别算法,并用于实现机器人的拓扑定位。使用COLD图像数据库开展实验研究,确定了算法最优的参数和训练条件,并验证了算法的有效性。
郑志强,卢惠民,王祥科,肖军浩,卢盛才,杨绍武[10]（2010）在《RoboCup中型组足球机器人系统关键技术》文中认为RoboCup中型组机器人足球比赛是一个研究多自主移动机器人、机器人视觉及其他相关领域的标准测试平台。从机器人机械结构、硬件结构、体系结构、环境感知、行为及策略等方面详细介绍了RoboCup中型组足球机器人系统相关关键技术的研究现状,最后展望了RoboCup中型组足球机器人系统的技术发展趋势。
二、足球机器人视觉系统的实现技术（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、足球机器人视觉系统的实现技术（论文提纲范文）
（1）小型类人足球机器人的设计与控制系统研究（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 机器人硬件 |
| 1.2.2 机器人控制系统 |
| 1.2.3 运动控制 |
| 1.2.4 机器人视觉 |
| 1.3 论文组织结构 |
| 第二章 足球机器人硬件设计 |
| 2.1 外形和外设要求 |
| 2.1.1 外形要求 |
| 2.1.2 外设要求 |
| 2.2 机器人结构设计 |
| 2.2.1 自由度配置与执行器选择 |
| 2.2.2 具体结构设计 |
| 2.3 机器人电路设计 |
| 2.3.1 设备配置与选型 |
| 2.3.2 控制电路设计 |
| 2.4 机器人物理样机制作 |
| 2.5 本章小结 |
| 第三章 足球机器人运动学分析与验证 |
| 3.1 位姿描述与坐标变换 |
| 3.1.1 机器人位姿描述 |
| 3.1.2 坐标变换 |
| 3.1.3 机器人坐标系建立 |
| 3.2 正运动学分析 |
| 3.2.1 腿部正运动学 |
| 3.2.2 上半身正运动学 |
| 3.2.3 正运动学测试验证 |
| 3.3 逆运动学分析 |
| 3.3.1 下肢逆运动学 |
| 3.3.2 上肢逆运动学 |
| 3.3.3 逆运动学测试验证 |
| 3.4 本章小结 |
| 第四章 足球机器人控制系统的设计与实现 |
| 4.1 小型控制系统架构设计 |
| 4.1.1 系统框架设计 |
| 4.1.2 节点通信机制 |
| 4.2 主控制器的设计与实现 |
| 4.2.1 机器人信息系统 |
| 4.2.2 多机通信系统 |
| 4.2.3 基于有限状态机的决策系统 |
| 4.3 底层控制器的设计与实现 |
| 4.3.1 上下层通信机制 |
| 4.3.2 IMU和舵机控制 |
| 4.3.3 IO输入输出控制 |
| 4.4 调试系统的设计与实现 |
| 4.4.1 调试框架设计 |
| 4.4.2 图像调试工具 |
| 4.4.3 参数在线校准工具 |
| 4.4.4 机器人状态监测工具 |
| 4.4.5 机器人遥控工具 |
| 4.5 辅助系统的设计与实现 |
| 4.5.1 基于CMake的编译系统 |
| 4.5.2 基于Python的自动化脚本系统 |
| 4.6 本章小结 |
| 第五章 足球机器人运动系统设计实现与测试 |
| 5.1 运动控制系统框架 |
| 5.2 机器人仿真环境搭建 |
| 5.2.1 仿真平台介绍 |
| 5.2.2 仿真环境建模 |
| 5.2.3 仿真机器人控制器 |
| 5.3 行走控制建模及测试 |
| 5.3.1 线性摆模型与零力矩点理论 |
| 5.3.2 质心轨迹规划 |
| 5.3.3 摆动腿轨迹规划 |
| 5.3.4 行走功能测试 |
| 5.4 特殊动作生成及测试 |
| 5.4.1 基于关键帧插值的动作生成 |
| 5.4.2 动作序列生成器的实现 |
| 5.4.3 特殊动作测试 |
| 5.5 本章小结 |
| 第六章 足球机器人视觉系统的设计实现与测试 |
| 6.1 视觉系统框架 |
| 6.2 图像预处理 |
| 6.2.1 RGB和YUV数据的获取 |
| 6.2.2 颜色空间及存储格式转换 |
| 6.2.3 图像尺寸缩放算法实现 |
| 6.2.4 摄像头标定与图像畸变矫正 |
| 6.3 足球场关键目标提取 |
| 6.3.1 基于颜色识别与直线拟合的场地边界提取 |
| 6.3.2 基于卷积神经网络的足球和球门识别 |
| 6.4 基于CUDA的图像处理加速实现 |
| 6.4.1 CUDA加速介绍 |
| 6.4.2 CUDA加速的编程模型 |
| 6.4.3 CUDA图像处理加速测试 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 作者攻读硕士学位期间的研究成果 |
（2）基于自主视觉的足球机器人目标识别算法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 目标识别算法的研究 |
| 1.2.2 目标识别研究的应用场景 |
| 1.3 轮式足球机器人在竞赛中的目标识别问题介绍 |
| 1.4 主要研究内容和研究基础 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文研究基础 |
| 1.5 论文创新点 |
| 1.6 论文结构 |
| 第二章 基于自主视觉的足球机器人目标识别方法研究 |
| 2.1 轮式足球机器人及目标识别系统介绍 |
| 2.2 基于自主视觉的实时目标识别方法设计 |
| 2.3 目标识别方法的服务器端样本训练阶段 |
| 2.3.1 目标样本的采集与预处理 |
| 2.3.2 目标样本特征的提取 |
| 2.3.3 目标识别模型的生成 |
| 2.4 目标识别方法的远程定点数据传输阶段 |
| 2.5 本章小结 |
| 第三章 目标识别的实现流程及动态目标识别算法研究 |
| 3.1 目标识别阶段算法的实现流程 |
| 3.2 基于动态目标区域预估的目标识别算法研究 |
| 3.2.1 动态目标区域预估的意义 |
| 3.2.2 帧间差分法介绍 |
| 3.2.3 基于动态目标区域预估的目标识别算法 |
| 3.3 目标识别算法识别结果 |
| 3.4 本文设计的识别算法的优势与不足 |
| 3.5 本章小结 |
| 第四章 轮式足球机器人多传感器信息融合算法研究 |
| 4.1 多传感器信息融合算法的研究意义 |
| 4.2 多传感器信息融合算法研究 |
| 4.2.1 加入加权平均法的分级式融合算法 |
| 4.2.2 多传感器信息差值融合PID动态反馈调整控制算法 |
| 4.3 多传感器信息融合算法实验结果与分析 |
| 4.4 本章小结 |
| 第五章 实验结果与分析 |
| 5.1 实验环境配置 |
| 5.2 训练样本数据集 |
| 5.3 单一依靠视觉系统实现的目标识别实验 |
| 5.4 结合多传感器信息融合算法的目标识别实验 |
| 5.5 对比实验结果分析 |
| 5.5.1 训练样本集的大小对目标识别性能的影响 |
| 5.5.2 Haar-like特征种类对目标识别性能的影响 |
| 5.5.3 SVM与Ada Boost的组合算法对目标识别性能的影响 |
| 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 |
| 作者在读期间科研成果简介 |
| 致谢 |
（3）基于全向视觉的足球机器人目标识别与跟踪研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 相关技术的研究现状 |
| 1.3.1 全向视觉的研究现状 |
| 1.3.2 目标识别的研究综述 |
| 1.3.3 目标跟踪研究综述 |
| 1.4 论文结构及主要内容 |
| 1.4.1 主要研究内容 |
| 1.4.2 章节安排 |
| 第2章 RoboCup中型组机器人足球比赛系统简介 |
| 2.1 机器人足球比赛系统概述 |
| 2.2 足球机器人全向视觉系统 |
| 2.2.1 全向视觉系统的结构 |
| 2.2.2 全向视觉系统的工作原理 |
| 2.3 本章小结 |
| 第3章 全向视觉的图像增强算法 |
| 3.1 基础颜色空间的选择 |
| 3.1.1 颜色空间理论概述 |
| 3.1.2 选取合适的颜色空间 |
| 3.2 同态滤波理论 |
| 3.2.1 同态滤波流程简介 |
| 3.2.2 同态滤波函数的选择 |
| 3.3 基于Mallat小波变换的同态滤波图像增强算法 |
| 3.3.1 小波快速分解与合成 |
| 3.3.2 小波系数的同态滤波处理 |
| 3.3.3 图像增强算法 |
| 3.4 评价指标 |
| 3.5 实验结果及分析 |
| 3.6 本章小结 |
| 第4章 基于biSCAN和 SVM的目标识别算法 |
| 4.1 机器人目标所在区域的提取 |
| 4.1.1 颜色空间的转换 |
| 4.1.2 机器人目标所在区域的提取 |
| 4.2 自适应目标识别算法 |
| 4.2.1 SVM简介 |
| 4.2.2 自适应目标识别算法 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 基于均值漂移(MeanShift)的目标跟踪算法 |
| 5.1 MeanShift算法起源 |
| 5.2 MeanShift算法基本原理 |
| 5.3 MeanShift算法建模 |
| 5.3.1 核函数的定义 |
| 5.3.2 目标模型与候选模型 |
| 5.4 相似性度量 |
| 5.5 MeanShift算法 |
| 5.6 MeanShift目标跟踪算法流程 |
| 5.7 Mean Shift 目标跟踪实验 |
| 5.8 本章小结 |
| 第6章 结论与展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（4）基于视觉的足球机器人目标识别与路径规划研究（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 足球机器人的起源及发展 |
| 1.3 MiroSot足球机器人系统概述 |
| 1.3.1 机器人比赛系统分类概述 |
| 1.3.2 MiroSot足球机器人比赛简介 |
| 1.4 国内外研究现状及分析 |
| 1.4.1 图像分割研究综述 |
| 1.4.2 足球机器人目标识别研究综述 |
| 1.4.3 路径规划研究综述 |
| 1.5 本文的主要研究内容 |
| 第2章 足球机器人视觉前处理 |
| 2.1 引言 |
| 2.2 相机标定 |
| 2.2.1 相机坐标系转换 |
| 2.2.2相机标定实验 |
| 2.3 相机畸变矫正 |
| 2.3.1 畸变系数 |
| 2.3.2 畸变矫正实验 |
| 2.4 图像预处理 |
| 2.4.1 图像滤波去噪 |
| 2.4.2 抑制噪声 |
| 2.5 本章小结 |
| 第3章 彩色图像分割基础 |
| 3.1 引言 |
| 3.2 颜色空间分析及选取 |
| 3.2.1 RGB颜色空间 |
| 3.2.2 YUV颜色空间 |
| 3.2.3 HSI颜色空间 |
| 3.2.4 颜色空间的选取 |
| 3.3 HSI颜色空间的颜色分量优化及选取 |
| 3.3.1 颜色分量优化 |
| 3.3.2 颜色分量实验 |
| 3.3.3 颜色特征分析及选取 |
| 3.4 基于K-means聚类的颜色分量标定 |
| 3.4.1 光照对足球机器人识别的影响 |
| 3.4.2 基于K-means聚类的HSI颜色空间阈值分量标定 |
| 3.5 本章小结 |
| 第4章 足球机器人目标识别与定位研究 |
| 4.1 引言 |
| 4.2 场地坐标系的建立及场地标定 |
| 4.2.1 场地坐标系的建立及修正 |
| 4.2.2 基于形状模板匹配的场地标定方法 |
| 4.2.3 实验及分析 |
| 4.3 足球机器人识别及定位 |
| 4.3.1 足球机器人色标设计 |
| 4.3.2 足球机器人位姿判别原理 |
| 4.3.3 机器人识别方法 |
| 4.3.4 实验及分析 |
| 4.4 足球识别及定位 |
| 4.4.1 足球识别方法分析 |
| 4.4.2 实验及分析 |
| 4.5 本章小结 |
| 第5章 足球机器人路径规划研究 |
| 5.1 引言 |
| 5.2 典型路径规划方法简介 |
| 5.2.1 栅格法 |
| 5.2.2 神经网络 |
| 5.2.3 人工势场法 |
| 5.3 传统人工势场法原理 |
| 5.4 人工势场法的局限性 |
| 5.4.1 目标附近不可达的问题 |
| 5.4.2 局部极小值问题 |
| 5.4.3 动态规划的问题 |
| 5.4.4 自我调节问题 |
| 5.5 基于评价函数的变步长人工势场法研究 |
| 5.5.1 评价函数的建立 |
| 5.5.2 实验及分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（5）动态环境中足球机器人目标检测与定位方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.1.1 RoboCup中型组比赛简介 |
| 1.1.2 RoboCup中型组面临的挑战 |
| 1.1.3 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视觉传感器 |
| 1.2.2 视觉算法 |
| 1.3 论文的研究内容和组织结构 |
| 1.3.1 论文的研究内容 |
| 1.3.2 论文的组织结构 |
| 第二章 足球机器人的视觉模块 |
| 2.1 全向视觉系统简介 |
| 2.1.1 全向视觉系统的设计 |
| 2.1.2 全向视觉系统的感知算法设计 |
| 2.1.3 全向视觉系统面临的问题 |
| 2.2 RGB-D视觉系统设计 |
| 2.2.1 RGB-D视觉系统硬件架构 |
| 2.2.2 CUDA简介 |
| 2.3 小结 |
| 第三章 基于并行计算的目标检测与定位算法 |
| 3.1 算法总体框架 |
| 3.2 足球检测与定位算法 |
| 3.2.1 颜色图与深度图配准及点云数据获取 |
| 3.2.2 足球颜色分割 |
| 3.2.3 图像形态学操作 |
| 3.2.4 相邻像素点标记 |
| 3.2.5 区域中心计算 |
| 3.2.6 干扰点排除 |
| 3.2.7 足球三维位置计算 |
| 3.3 障碍物检测与定位算法 |
| 3.3.1 点云投影与直方图计算 |
| 3.3.2 目标点确认 |
| 3.3.3 高斯滤波 |
| 3.4 实验与分析 |
| 3.4.1 二维位置准确性评估 |
| 3.4.2 三维位置准确性评估 |
| 3.4.3 实时性评估 |
| 3.4.4 静态与动态环境中的应用效果 |
| 3.5 小结 |
| 第四章 基于卷积神经网络的机器人检测与定位 |
| 4.1 算法总体框架 |
| 4.2 机器人检测与定位算法 |
| 4.2.1 基于卷积神经网络的目标检测框架 |
| 4.2.2 数据集制作 |
| 4.2.3 图像预处理加速 |
| 4.2.4 机器人检测 |
| 4.2.5 机器人三维位置计算 |
| 4.3 实验与分析 |
| 4.3.1 数据集性能测试 |
| 4.3.2 基于并行计算的图像预处理加速性能 |
| 4.3.3 机器人定位误差 |
| 4.4 小结 |
| 第五章 总结与展望 |
| 5.1 论文主要工作 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果及获得的奖励情况 |
（6）中型组足球机器人视觉系统光照鲁棒性的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| Contents |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 相关国内外研究现状及分析 |
| 1.3 本文主要研究内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 第二章 Robocup足球机器人视觉系统介绍 |
| 2.1 引言 |
| 2.2 RoboCup足球机器人视觉系统的结构及原理 |
| 2.2.1 足球机器人视觉系统的结构 |
| 2.2.2 足球机器人视觉系统的工作原理 |
| 2.3 足球机器人各个子视觉系统的结构及工作原理 |
| 2.3.1 足球机器人全向视觉系统的结构 |
| 2.3.2 足球机器人全向视觉系统的工作原理 |
| 2.3.3 足球机器人前向视觉系统的结构 |
| 2.3.4 足球机器人前向视觉系统的工作原理 |
| 2.3.5 足球机器人嵌入式视觉系统的结构 |
| 2.3.6 足球机器人嵌入式视觉系统的工作原理 |
| 2.4 本章小结 |
| 第三章 足球机器人视觉的颜色离线标定 |
| 3.1 颜色的离线标定与颜色查找表介绍 |
| 3.1.1 颜色的离线标定 |
| 3.1.2 颜色查找表介绍 |
| 3.2 颜色空间的选择 |
| 3.2.1 RGB颜色空间 |
| 3.2.2 YUV颜色空间 |
| 3.2.3 HSI颜色空间 |
| 3.2.4 颜色空间的选择 |
| 3.3 基于HSI颜色空间的颜色初始分类 |
| 3.3.1 HS空间的量化 |
| 3.3.2 颜色初始分类 |
| 3.4 基于改进的模糊C-均值聚类算法的颜色离线标定 |
| 3.4.1 模糊C-均值聚类算法介绍 |
| 3.4.2 基于改进的模糊C-均值聚类算法的颜色离线标定 |
| 3.5 实验结果及分析 |
| 3.6 本章小结 |
| 第四章 颜色识别的光照鲁棒性研究 |
| 4.1 足球机器人视觉系统中颜色识别的色彩漂移问题 |
| 4.1.1 颜色直方图性质 |
| 4.1.2 颜色识别中的色彩漂移问题 |
| 4.2 光照变化率向量的计算 |
| 4.2.1 光照变化率向量的简介 |
| 4.2.2 光照变化率向量的计算 |
| 4.3 基于光照变化补偿的颜色识别方法 |
| 4.3.1 基于参考物体的光照变化率向量的计算 |
| 4.3.2 基于光照变化率向量的光照变化补偿的颜色识别方法 |
| 4.4 实验及结果分析 |
| 4.4.1 实验环境 |
| 4.4.2 结果分析 |
| 4.5 本章小结 |
| 总结 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（7）足球机器人视觉系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 前言 |
| 1.1 足球机器人的研究目的和意义 |
| 1.1.1 足球机器人是人工智能的标准问题 |
| 1.1.2 足球机器人是人类的挑战 |
| 1.2 足球机器人比赛发展史 |
| 1.3 本文的研究内容 |
| 第二章 足球机器人视觉原理 |
| 2.1 视觉的计算理论 |
| 2.1.1 Marr视觉的计算理论 |
| 2.2 视觉系统硬件组成 |
| 2.3 足球机器人视觉系统原理 |
| 2.3.1 图像输入 |
| 2.3.2 图像预处理 |
| 2.3.3 初始人机交互 |
| 2.3.4 图像分析 |
| 2.3.5 结果输出 |
| 第三章 图像预处理 |
| 3.1 BP神经网络算法 |
| 3.1.1 网络结构 |
| 3.1.2 网络算法 |
| 3.2 图像压缩 |
| 3.2.1 图像压缩与算法 |
| 3.2.2 算法分析 |
| 3.3 图像校正 |
| 3.3.1 几何畸变图像校正 |
| 3.3.2 基于BP网络图像校正 |
| 第四章 图像分析 |
| 4.1 图像分割的方法 |
| 4.1.1 图像分割定义 |
| 4.1.2 灰度图像分割方法 |
| 4.2 颜色视觉 |
| 4.2.1 颜色的特性 |
| 4.2.2 三色学说 |
| 4.2.3 颜色模型 |
| 4.3 多目标图像分割方法 |
| 4.3.1 图像坐标集合的特征函数 |
| 4.3.2 基于集合论的彩色图像分割 |
| 4.3.3 颜色空间划分到彩色图像分割 |
| 4.3.4 多值特征函数的确定 |
| 第五章 色标改进 |
| 5.1 足球机器人色标 |
| 5.2 新色标的提出 |
| 5.3 新的色标辨识算法的实现 |
| 5.4 实验与结果 |
| 第六章 结论 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间发表的论文 |
| 详细摘要 |
（8）足球机器人视觉的全向反射镜面与颜色识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| Contents |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 相关研究的国内外现状及分析 |
| 1.3 本文的主要研究内容与章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 第二章 RoboCup中型组机器人足球比赛系统简介 |
| 2.1 中型组机器人足球比赛系统的组成和工作原理 |
| 2.2 教练机 |
| 2.3 中型组足球机器人的各个子系统 |
| 2.3.1 运动控制子系统 |
| 2.3.2 视觉子系统 |
| 2.3.3 无线通讯子系统 |
| 2.3.4 决策子系统 |
| 2.4 本章小结 |
| 第三章 足球机器人视觉的全向反射镜面研究 |
| 3.1 现有全向反射镜存在的问题 |
| 3.2 全向反射镜面的改进设计 |
| 3.3 仿真实验及结果分析 |
| 3.3.1 实验环境及实验结果 |
| 3.3.2 实验结果分析 |
| 3.4 加工工艺需求 |
| 3.5 本章小结 |
| 第四章 基于SOM算法的颜色识别方法 |
| 4.1 颜色识别的研究意义 |
| 4.2 颜色空间的选择 |
| 4.2.1 颜色空间的简介 |
| 4.2.2 颜色空间选择 |
| 4.3 SOM算法简介 |
| 4.4 基于SOM算法的颜色识别方法 |
| 4.4.1 颜色信息的提取 |
| 4.4.2 颜色信息的处理 |
| 4.4.3 颜色识别的实现 |
| 4.4.4 基于SOM算法的颜色识别 |
| 4.5 仿真实验及结果分析 |
| 4.5.1 实验环境 |
| 4.5.2 SOM聚类结果分析 |
| 4.5.3 颜色识别实验结果分析 |
| 4.6 本章小结 |
| 总结 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（9）自主移动机器人全向视觉系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 自主移动机器人及其传感器 |
| 1.2 全向视觉的历史与发展概述 |
| 1.2.1 多摄像机拼接全向视觉系统 |
| 1.2.2 鱼眼镜头全向视觉系统 |
| 1.2.3 折反射式全向视觉系统 |
| 1.3 全向视觉在自主移动机器人中的应用研究现状及面临的挑战 |
| 1.3.1 全向视觉在自主移动机器人中的应用研究现状 |
| 1.3.2 全向视觉在自主移动机器人中的应用所面临的挑战 |
| 1.4 论文研究的主要内容、贡献和论文组织结构 |
| 1.4.1 论文研究的主要内容 |
| 1.4.2 论文研究的主要贡献 |
| 1.4.3 论文的组织结构 |
| 第二章 全向视觉系统的设计与标定 |
| 2.1 单视点全向视觉系统的设计 |
| 2.2 单视点全向视觉系统的标定 |
| 2.3 NuBot 全向视觉系统的设计 |
| 2.3.1 水平等比镜面的设计 |
| 2.3.2 垂直等比镜面的设计 |
| 2.3.3 新的组合镜面的设计及NuBot 全向视觉系统实现 |
| 2.4 NuBot 全向视觉系统的标定 |
| 2.4.1 标定问题描述 |
| 2.4.2 与模型无关的标定算法设计 |
| 2.4.3 实验结果与分析 |
| 2.5 本章小结 |
| 第三章 基于图像熵的摄像机参数自动调节算法 |
| 3.1 相关研究 |
| 3.2 图像熵及其与摄像机参数的关系 |
| 3.2.1 图像熵的定义 |
| 3.2.2 图像熵与摄像机参数的关系 |
| 3.3 基于图像熵的摄像机参数自动调节算法 |
| 3.4 实验及结果分析 |
| 3.4.1 室内环境实验及结果 |
| 3.4.2 室外环境实验及结果 |
| 3.4.3 实验结果讨论 |
| 3.5 算法的拓展应用 |
| 3.5.1 算法在普通透视成像摄像机中的应用 |
| 3.5.2 摄像机其它参数的调节应用 |
| 3.6 本章小结 |
| 第四章 两种新的应用于全向视觉的实时局部视觉特征 |
| 4.1 FAST、LBP 和CS-LBP 介绍 |
| 4.1.1 FAST 算法 |
| 4.1.2 LBP 算法 |
| 4.1.3 CS-LBP 算法 |
| 4.2 两种新的用于全向视觉的局部视觉特征 |
| 4.2.1 FAST 特征检测子 |
| 4.2.2 特征区域确定方法 |
| 4.2.3 LBP 和CS-LBP 特征描述子 |
| 4.3 实验评估和结果讨论 |
| 4.3.1 实验设置 |
| 4.3.2 FAST+LBP 算法最优参数的确定 |
| 4.3.3 FAST+CSLBP 算法最优参数的确定 |
| 4.3.4 FAST+LBP、FAST+CSLBP 和SIFT 性能比较 |
| 4.3.5 FAST+LBP、FAST+CSLBP 和SIFT 算法时间的比较 |
| 4.3.6 算法特点总结和针对图像噪声的补充实验 |
| 4.4 本章小结 |
| 第五章 基于全向视觉的任意足球识别算法 |
| 5.1 相关研究 |
| 5.2 足球在NuBot 全向视觉中的成像特性分析 |
| 5.3 基于全向视觉的任意足球识别算法 |
| 5.3.1 检测任意足球的图像处理算法 |
| 5.3.2 结合球速估计的足球跟踪算法 |
| 5.4 实验结果及讨论 |
| 5.4.1 实验结果 |
| 5.4.2 算法的优点和不足 |
| 5.5 本章小结 |
| 第六章 结构化环境中基于全向视觉的机器人自定位 |
| 6.1 相关研究 |
| 6.1.1 粒子滤波定位方法 |
| 6.1.2 匹配优化定位方法 |
| 6.1.3 两种自定位方法的优点和不足 |
| 6.2 一种新的鲁棒的机器人自定位方法 |
| 6.3 实验及结果分析 |
| 6.3.1 遮挡情况下的自定位 |
| 6.3.2 全局自定位 |
| 6.3.3 不同光线条件下的自定位 |
| 6.3.4 算法的实时性能 |
| 6.4 本章小结 |
| 第七章 非结构化环境中基于全向视觉地点识别的机器人拓扑定位 |
| 7.1 相关研究现状 |
| 7.2 特征袋方法和支持向量机介绍 |
| 7.2.1 特征袋方法 |
| 7.2.2 支持向量机 |
| 7.3 基于局部视觉特征袋和支持向量机的机器人地点识别算法 |
| 7.4 基于全向视觉的机器人拓扑定位实验及结果分析 |
| 7.4.1 实验设置 |
| 7.4.2 局部视觉特征的选择对算法性能的影响 |
| 7.4.3 K-Means 聚类数目对算法性能的影响 |
| 7.4.4 核函数的选择对算法性能的影响 |
| 7.4.5 特征库的完备性对算法性能的影响 |
| 7.4.6 最优的参数设置和训练条件下的算法性能 |
| 7.4.7 视觉系统遮挡情况对算法性能的影响 |
| 7.4.8 算法的实时性能及所需内存开销的分析 |
| 7.5 本章小结 |
| 第八章 结论与展望 |
| 8.1 论文工作总结 |
| 8.2 进一步工作的展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果及获得的奖励等情况 |
（10）RoboCup中型组足球机器人系统关键技术（论文提纲范文）
| 1 引 言 |
| 2 机械结构 |
| 3 硬件结构 |
| 4 体系结构 |
| 5 环境感知 |
| 1) 视觉系统及其标定 |
| 2) 机器人的目标识别 |
| 3) 机器人的自定位 |
| 6 行为及策略 |
| 1) 避障及轨迹生成等基本行为 |
| 2) 通信及协作 |
| 3) 增强学习 |
| 7 发展趋势 |
| 8 结 语 |
四、足球机器人视觉系统的实现技术（论文参考文献）
- [1]小型类人足球机器人的设计与控制系统研究[D]. 刘川. 东南大学, 2020(01)
- [2]基于自主视觉的足球机器人目标识别算法[D]. 郎志宇. 成都信息工程大学, 2019(05)
- [3]基于全向视觉的足球机器人目标识别与跟踪研究[D]. 王国文. 华侨大学, 2019(01)
- [4]基于视觉的足球机器人目标识别与路径规划研究[D]. 杨超儒. 燕山大学, 2019(03)
- [5]动态环境中足球机器人目标检测与定位方法研究[D]. 罗莎. 国防科技大学, 2017(02)
- [6]中型组足球机器人视觉系统光照鲁棒性的研究[D]. 潘浩. 广东工业大学, 2012(09)
- [7]足球机器人视觉系统的研究[D]. 胡佳. 武汉科技大学, 2012(02)
- [8]足球机器人视觉的全向反射镜面与颜色识别研究[D]. 蒋玉玲. 广东工业大学, 2011(12)
- [9]自主移动机器人全向视觉系统研究[D]. 卢惠民. 国防科学技术大学, 2010(08)
- [10]RoboCup中型组足球机器人系统关键技术[J]. 郑志强,卢惠民,王祥科,肖军浩,卢盛才,杨绍武. 控制工程, 2010(S1)