| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 目录 | 第10-14页 |
| 第1章 绪论 | 第14-40页 |
| 1.1 研究背景 | 第14-16页 |
| 1.2 注册技术发展现状 | 第16-24页 |
| 1.2.1 基于硬件设备的跟踪注册技术 | 第17-18页 |
| 1.2.2 基于视觉的跟踪注册技术 | 第18-20页 |
| 1.2.3 混合跟踪注册技术 | 第20-21页 |
| 1.2.4 移动增强现实跟踪注册技术的发展现状 | 第21-24页 |
| 1.3 特征计算与匹配技术 | 第24-36页 |
| 1.3.1 特征点检测 | 第24-30页 |
| 1.3.2 特征点描述 | 第30-35页 |
| 1.3.3 特征点匹配 | 第35-36页 |
| 1.4 本文的研究目的与研究内容 | 第36-40页 |
| 1.4.1 本文研究目的 | 第36-37页 |
| 1.4.2 本文研究内容 | 第37-38页 |
| 1.4.3 论文的组织结构 | 第38-40页 |
| 第2章 面向移动设备的图像特征点提取与匹配 | 第40-53页 |
| 2.1 特征检测问题的提出 | 第40-41页 |
| 2.2 面向移动设备的快速特征点检测 | 第41-45页 |
| 2.2.1 FAST 特征点计算 | 第41-42页 |
| 2.2.2 改进的 FAST 特征点计算 | 第42-43页 |
| 2.2.3 特征点位置查找 | 第43-45页 |
| 2.3 特征点描述 | 第45-46页 |
| 2.4 特征点匹配 | 第46-47页 |
| 2.5 实验数据和分析 | 第47-51页 |
| 2.5.1 特征检测算法的有效性 | 第48-49页 |
| 2.5.2 特征匹配算法的有效性 | 第49-51页 |
| 2.6 算法应用 | 第51-52页 |
| 2.7 本章小结 | 第52-53页 |
| 第3章 户外复杂环境下的场景识别 | 第53-69页 |
| 3.1 问题提出 | 第53页 |
| 3.2 多目标物体环境下的场景识别 | 第53-62页 |
| 3.2.1 识别算法框架 | 第54页 |
| 3.2.2 BRISK 检测算法 | 第54-55页 |
| 3.2.3 Gravity-aware BRISK 特征点 | 第55-58页 |
| 3.2.4 特征点的描述 | 第58-59页 |
| 3.2.5 特征点匹配 | 第59-61页 |
| 3.2.6 目标场景确定 | 第61-62页 |
| 3.3 实验数据和分析 | 第62-67页 |
| 3.3.1 特征检测与描述符匹配性能 | 第64-65页 |
| 3.3.2 样本图像训练时间和占用内存 | 第65页 |
| 3.3.3 图像识别时间和精度对比 | 第65-67页 |
| 3.4 算法应用 | 第67-68页 |
| 3.5 本章小结 | 第68-69页 |
| 第4章 基于 SVM 的场景识别 | 第69-83页 |
| 4.1 问题提出 | 第69-70页 |
| 4.2 大范围自然场景的识别 | 第70-76页 |
| 4.2.1 基于 SVM 识别算法的框架 | 第70-71页 |
| 4.2.2 带有 GPS 和重力感应器的 SIFT 特征 | 第71-72页 |
| 4.2.3 改进的 ERT 随机聚类森林 | 第72-75页 |
| 4.2.4 SVM 分类器 | 第75-76页 |
| 4.3 实验数据和分析 | 第76-81页 |
| 4.3.1 训练时间分析 | 第78-79页 |
| 4.3.2 识别时间和识别精度分析 | 第79-81页 |
| 4.4 算法应用 | 第81-82页 |
| 4.5 本章小结 | 第82-83页 |
| 第5章 基于标识物的三维跟踪注册技术 | 第83-100页 |
| 5.1 问题的提出 | 第83-84页 |
| 5.2 摄相机参考坐标系 | 第84-87页 |
| 5.3 摄像机标定 | 第87-89页 |
| 5.4 QRcode 的姿态估计方法 | 第89-95页 |
| 5.4.1 二维码概述 | 第89页 |
| 5.4.2 QR 码的内部结构 | 第89-90页 |
| 5.4.3 QRcode 的编解码算法 | 第90-91页 |
| 5.4.4 QR 码跟踪注册算法流程 | 第91-92页 |
| 5.4.5 QR 码的跟踪算法 | 第92-94页 |
| 5.4.6 增强信息管理 | 第94-95页 |
| 5.5 实验数据和分析 | 第95-98页 |
| 5.5.1 识别性能的分析 | 第96页 |
| 5.5.2 跟踪性能分析 | 第96-97页 |
| 5.5.3 跟踪注册效果 | 第97-98页 |
| 5.6 算法应用 | 第98-99页 |
| 5.7 本章小结 | 第99-100页 |
| 第6章 基于自然场景在线学习的增强现实跟踪注册技术 | 第100-121页 |
| 6.1 自然场景注册问题的提出和发展 | 第100-101页 |
| 6.2 摄像机姿态估计 | 第101-103页 |
| 6.2.1 姿态估计算法的框架 | 第102-103页 |
| 6.3 离线的场景重建与分段索引的创建 | 第103-111页 |
| 6.3.1 场景重建 | 第104-108页 |
| 6.3.2 建立 2D-3D 映射表 | 第108-109页 |
| 6.3.3 训练场景 3D 点的权值 | 第109-110页 |
| 6.3.4 建立样本描述符分段索引 | 第110-111页 |
| 6.4 在线学习与跟踪注册 | 第111-116页 |
| 6.4.1 场景识别 | 第111页 |
| 6.4.2 场景在线学习 | 第111-113页 |
| 6.4.3 三维注册矩阵计算 | 第113页 |
| 6.4.4 虚实融合显示 | 第113-114页 |
| 6.4.5 光流跟踪 | 第114-115页 |
| 6.4.6 特征恢复 | 第115-116页 |
| 6.5 跟踪注册算法性能 | 第116-119页 |
| 6.5.1 算法精度 | 第116-117页 |
| 6.5.2 实时性 | 第117-118页 |
| 6.5.3 稳定性和鲁棒性 | 第118-119页 |
| 6.6 本章小结 | 第119-121页 |
| 第7章 总结和展望 | 第121-124页 |
| 7.1 本文总结 | 第121-122页 |
| 7.2 展望 | 第122-124页 |
| 参考文献 | 第124-133页 |
| 攻读博士学位期间发表论文与研究成果清单 | 第133-136页 |
| 致谢 | 第136-138页 |
| 作者简介 | 第138页 |
