| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 场景识别与分类技术国内外研究现状 | 第11-12页 |
| 1.2.2 视觉定位国内外研究现状 | 第12-13页 |
| 1.3 视觉室内定位面临的挑战 | 第13-14页 |
| 1.4 主要内容和组织结构 | 第14-16页 |
| 1.4.1 主要内容 | 第14页 |
| 1.4.2 组织结构 | 第14-16页 |
| 第2章 相机标定与图像预处理 | 第16-32页 |
| 2.1 相机的成像模型 | 第16-21页 |
| 2.1.1 像素坐标系、图像坐标系、相机坐标系和世界坐标系 | 第16-18页 |
| 2.1.2 旋转矩阵与旋转角 | 第18-19页 |
| 2.1.3 相机的针孔成像模型 | 第19-20页 |
| 2.1.4 相机的畸变参数 | 第20-21页 |
| 2.2 相机标定方法 | 第21-28页 |
| 2.2.1 相机标定简介 | 第21页 |
| 2.2.2 直接线性变换标定法 | 第21-22页 |
| 2.2.3 基于棋盘格的半自动标定法 | 第22-26页 |
| 2.2.4 标定实验过程与结果 | 第26-28页 |
| 2.3 图像预处理 | 第28-31页 |
| 2.3.1 图像灰度化 | 第28-29页 |
| 2.3.2 图像滤波去噪 | 第29页 |
| 2.3.3 图像对比度增强 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于卷积神经网络的室内场景分类 | 第32-52页 |
| 3.1 场景图像识别分类问题概述 | 第32-33页 |
| 3.2 基于词袋模型的室内场景分类 | 第33-39页 |
| 3.2.1 SIFT特征点提取 | 第34-36页 |
| 3.2.2 K-means聚类 | 第36-37页 |
| 3.2.3 支持向量机 | 第37-38页 |
| 3.2.4 算法流程 | 第38-39页 |
| 3.3 基于深度置信网络的室内场景分类 | 第39-44页 |
| 3.3.1 LBP特征 | 第40-41页 |
| 3.3.2 深度信念网络模型 | 第41-43页 |
| 3.3.3 DBN网络训练 | 第43-44页 |
| 3.4 基于卷积神经网络的室内场景分类 | 第44-47页 |
| 3.4.1 卷积神经网络简介 | 第44-46页 |
| 3.4.2 卷积神经网络训练 | 第46页 |
| 3.4.3 卷积神经网络结构 | 第46-47页 |
| 3.5 实验结果及结论 | 第47-50页 |
| 3.5.1 实验数据集 | 第48-49页 |
| 3.5.2 分类算法评价标准 | 第49页 |
| 3.5.3 实验结果及分析 | 第49-50页 |
| 3.6 本章小结 | 第50-52页 |
| 第4章 基于PnP问题的相机位姿估计方法 | 第52-68页 |
| 4.1 PnP问题概述 | 第52-53页 |
| 4.2 RPnP算法 | 第53-56页 |
| 4.2.1 几何约束 | 第53-54页 |
| 4.2.2 RPnP算法原理 | 第54-56页 |
| 4.3 高精度快速位姿估计算法 | 第56-58页 |
| 4.4 改进PnP问题求解算法 | 第58-60页 |
| 4.5 实验及结果分析 | 第60-66页 |
| 4.5.1 定位算法评价指标 | 第61页 |
| 4.5.2 模拟数据仿真实验 | 第61-63页 |
| 4.5.3 真实场景1实验 | 第63-64页 |
| 4.5.4 真实场景2实验 | 第64-66页 |
| 4.6 本章小结 | 第66-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第76-78页 |
| 致谢 | 第78页 |