| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 课题研究背景以及意义 | 第14-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.2.1 室内定位技术方案研究状况 | 第17-18页 |
| 1.2.2 视觉定位技术方案的研究状况 | 第18-19页 |
| 1.3 主要研究内容 | 第19-21页 |
| 第二章 单目视觉里程计基本框架的构建 | 第21-38页 |
| 2.1 摄像头标定算法 | 第21-22页 |
| 2.2 计算摄像头姿态角 | 第22-27页 |
| 2.2.1 摄像头姿态估计 | 第22-25页 |
| 2.2.2 利用透视矩阵逆变换计算摄像头姿态角 | 第25-27页 |
| 2.3 特征点检测 | 第27-31页 |
| 2.3.1 Harris角点检测算法 | 第28-30页 |
| 2.3.2 基于SURF特征点匹配算法 | 第30-31页 |
| 2.4 摄像头矫正及提高矫正速率 | 第31-36页 |
| 2.4.1 摄像头矫正 | 第31-32页 |
| 2.4.2 图像点矫正 | 第32-36页 |
| 2.5 背景差分法 | 第36页 |
| 2.6 本章小结 | 第36-38页 |
| 第三章 优化RANSAC算法与IPM算法 | 第38-49页 |
| 3.1 Hough变换算法 | 第38-41页 |
| 3.2 最小二乘法与RANSAC算法融合 | 第41-46页 |
| 3.2.1 RANSAC算法对地面特征点拟合 | 第41-43页 |
| 3.2.2 融合优化RANSAC算法和最小二乘法 | 第43-46页 |
| 3.3 优化的IPM算法 | 第46-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于卡尔曼滤波融合视觉的移动机器人定位 | 第49-60页 |
| 4.1 卡尔曼滤波原理 | 第49-53页 |
| 4.1.1 卡尔曼滤波算法原理的特点 | 第49页 |
| 4.1.2 离散的卡尔曼滤波算法基本方程 | 第49-51页 |
| 4.1.3 离散型卡尔曼滤波的基本方程直观推导过程 | 第51-53页 |
| 4.2 基于扩展卡尔曼算法 | 第53-59页 |
| 4.2.1 移动机器人的位姿更新 | 第54-56页 |
| 4.2.2 移动机器人测量更新 | 第56-59页 |
| 4.3 本章小结 | 第59-60页 |
| 第五章 移动机器人控制系统设计 | 第60-66页 |
| 5.1 引言 | 第60页 |
| 5.2 控制系统整体设计 | 第60-64页 |
| 5.2.1 介绍控制系统主要硬件组成 | 第60-62页 |
| 5.2.2 通信模块设计 | 第62-63页 |
| 5.2.3 直流电机驱动模块 | 第63-64页 |
| 5.3 移动机器人软件设计 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 移动机器人视觉定位系统搭建和实验 | 第66-76页 |
| 6.1 实验整体框架 | 第66-68页 |
| 6.2 实验数据对比 | 第68-75页 |
| 6.2.1 实时点矫正测试 | 第68-70页 |
| 6.2.2 摄像头测距测试 | 第70-72页 |
| 6.2.3 移动机器人定位测试 | 第72-75页 |
| 6.3 本章小结 | 第75-76页 |
| 总结与展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 攻读学位期间发表的论文 | 第82-84页 |
| 致谢 | 第84页 |