| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 引言 | 第10-11页 |
| 1.2 移动机器人视觉定位算法研究现状 | 第11-15页 |
| 1.2.1 移动机器人定位技术分类 | 第11-12页 |
| 1.2.2 移动机器人定位的视觉系统分析 | 第12-13页 |
| 1.2.3 移动机器人的概率定位算法研究分析 | 第13-15页 |
| 1.3 本论文的主要研究内容 | 第15-16页 |
| 第2章 基于视觉的机器人系统模型分析 | 第16-22页 |
| 2.1 坐标系模型 | 第16-17页 |
| 2.2 机器人位姿模型 | 第17页 |
| 2.3 机器人运动学模型 | 第17-18页 |
| 2.4 传感器分类与观测模型 | 第18-21页 |
| 2.4.1 传感器的分类 | 第18-19页 |
| 2.4.2 里程计模型 | 第19页 |
| 2.4.3 视觉传感器感知模型 | 第19-20页 |
| 2.4.4 激光测距仪的感知模型 | 第20-21页 |
| 2.4.5 噪声模型 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 基于迭代的SIFT算法研究 | 第22-35页 |
| 3.1 引言 | 第22页 |
| 3.2 SIFT特征算法 | 第22-27页 |
| 3.2.1 SIFT尺度空间极值检测 | 第23-25页 |
| 3.2.2 关键点定位及方向分配 | 第25-26页 |
| 3.2.3 SIFT特征点描述子的生成 | 第26-27页 |
| 3.3 改进的SIFT算法 | 第27-29页 |
| 3.3.1 基于迭代搜索的极值点检测 | 第27-28页 |
| 3.3.2 基于Sobel算子的SIFT特征方向分配 | 第28-29页 |
| 3.4 改进SIFT算法的仿真实验分析 | 第29-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于图像检索的MONTE CARLO定位算法研究 | 第35-45页 |
| 4.1 引言 | 第35页 |
| 4.2 图像颜色矩特征提取 | 第35-37页 |
| 4.2.1 常用的全局特征及特征提取方法 | 第35-36页 |
| 4.2.2 颜色空间转换 | 第36-37页 |
| 4.2.3 颜色矩特征提取 | 第37页 |
| 4.3 分级图像特征匹配算法 | 第37-39页 |
| 4.3.1 图像颜色矩匹配 | 第37-38页 |
| 4.3.2 改进的SIFT特征匹配 | 第38页 |
| 4.3.3 分级图像特征匹配算法 | 第38-39页 |
| 4.4 移动机器人MCL算法 | 第39-40页 |
| 4.5 基于图像检索的MONTE CARLO定位算法 | 第40-41页 |
| 4.5.1 运动预测 | 第40-41页 |
| 4.5.2 感知更新 | 第41页 |
| 4.6 仿真实验及分析 | 第41-44页 |
| 4.6.1 分级图像匹配算法的性能分析 | 第41-43页 |
| 4.6.2 基于图像检索的Monte Carlo定位算法的仿真实验研究 | 第43-44页 |
| 4.7 本章小结 | 第44-45页 |
| 第5章 基于平方根容积的移动机器人MONTE CARLO定位算法研究 | 第45-58页 |
| 5.1 引言 | 第45-46页 |
| 5.2 高斯权重积分的容积律方法 | 第46页 |
| 5.3 移动机器人SRCPF-MCL算法 | 第46-51页 |
| 5.3.1 平方根Cubature粒子状态预测 | 第47-48页 |
| 5.3.2 平方根Cubature粒子状态更新 | 第48-50页 |
| 5.3.3 重要性采样 | 第50页 |
| 5.3.4 基于排序的自适应局部重采样 | 第50-51页 |
| 5.4 基于改进粒子滤波的移动机器人MCL算法 | 第51-52页 |
| 5.5 仿真实验及分析 | 第52-57页 |
| 5.5.1 SRCPF算法性能验证 | 第52-53页 |
| 5.5.2 提出的MCL算法的仿真实验及分析 | 第53-57页 |
| 5.6 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第64-65页 |
| 致谢 | 第65-66页 |
| 作者简介 | 第66页 |
