| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-13页 |
| 1 引言 | 第13-23页 |
| 1.1 研究背景与意义 | 第13-17页 |
| 1.1.1 计算机视觉测量概述 | 第13-14页 |
| 1.1.2 立体视觉测量方法 | 第14-15页 |
| 1.1.3 立体视觉测量技术在铁路基础设施检测中的应用 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-18页 |
| 1.3 立体视觉测量的关键技术 | 第18-20页 |
| 1.3.1 图像目标定位技术 | 第19页 |
| 1.3.2 亚像素边缘和角点定位技术 | 第19-20页 |
| 1.3.3 图像三维重建技术 | 第20页 |
| 1.4 论文的主要内容和组织结构 | 第20-23页 |
| 2 基于深度学习的环状编码标志点两步精确定位法 | 第23-45页 |
| 2.1 深度学习目标检测算法概述 | 第24-31页 |
| 2.1.1 基于区域推荐的深度学习目标检测算法 | 第24-28页 |
| 2.1.2 基于区域回归的深度学习目标检测算法 | 第28-30页 |
| 2.1.3 本节小结 | 第30-31页 |
| 2.2 基于R-FCN模型的标志点初定位方法 | 第31-34页 |
| 2.2.1 R-FCN的网络结构模型 | 第31-32页 |
| 2.2.2 残差网络的结构 | 第32-33页 |
| 2.2.3 R-FCN模型的训练 | 第33-34页 |
| 2.3 基于灰度质心的标志点精确定位算法 | 第34-37页 |
| 2.4 实验结果与分析 | 第37-42页 |
| 2.4.1 数据集 | 第37-39页 |
| 2.4.2 实验环境 | 第39页 |
| 2.4.3 实验设置 | 第39-40页 |
| 2.4.4 结果分析 | 第40-42页 |
| 2.5 本章小结 | 第42-45页 |
| 3 基于角点空间结构特征描述的多匹配点提取算法 | 第45-59页 |
| 3.1 环状编码标志点及其特性 | 第46-47页 |
| 3.2 环状编码标志点的识别算法 | 第47-51页 |
| 3.2.1 标志点中心区域亚像素级边缘检测方法 | 第47-50页 |
| 3.2.2 标志点中心边缘椭圆拟合方法 | 第50页 |
| 3.2.3 编码标志点解码方法 | 第50-51页 |
| 3.3 基于空间结构的角点描述算法 | 第51-54页 |
| 3.3.1 亚像素级角点的检测方法 | 第52页 |
| 3.3.2 基于空间结构的角点特征描述子构造方法 | 第52-54页 |
| 3.4 实验与分析 | 第54-58页 |
| 3.4.1 数据集 | 第54-55页 |
| 3.4.2 实验设置 | 第55-56页 |
| 3.4.3 结果分析 | 第56-58页 |
| 3.5 本章小结 | 第58-59页 |
| 4 基于特征点三维重建的钢轨爬行位移测量方法 | 第59-79页 |
| 4.1 相关知识 | 第60-65页 |
| 4.1.1 摄像机成像模型 | 第60-62页 |
| 4.1.2 对极几何 | 第62-63页 |
| 4.1.3 本征矩阵和基础矩阵 | 第63-65页 |
| 4.2 基础矩阵估计 | 第65-68页 |
| 4.2.1 基于八点法的基础矩阵求解 | 第65-66页 |
| 4.2.2 基于区域分块的均匀随机采样RANSAC方法 | 第66-68页 |
| 4.3 运动参数求解 | 第68-69页 |
| 4.4 基于三角测量法的特征点重建 | 第69-73页 |
| 4.4.1 两视图投影重建方法 | 第69-71页 |
| 4.4.2 多视图投影重建方法 | 第71-72页 |
| 4.4.3 基于光束平差法的重建优化 | 第72-73页 |
| 4.5 实验与分析 | 第73-78页 |
| 4.5.1 数据集 | 第73-74页 |
| 4.5.2 实验设置 | 第74页 |
| 4.5.3 结果分析 | 第74-78页 |
| 4.6 本章小结 | 第78-79页 |
| 5 结论 | 第79-81页 |
| 5.1 总结 | 第79-80页 |
| 5.2 工作展望 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第85-89页 |
| 学位论文数据集 | 第89页 |