| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-15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 目标检测国内外研究现状 | 第11-12页 |
| 1.2.2 计算机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页 |
| 1.4 主要内容和组织结构 | 第13-15页 |
| 1.4.1 主要内容 | 第13-14页 |
| 1.4.2 组织结构 | 第14-15页 |
| 第2章 深度学习方法介绍 | 第15-31页 |
| 2.1 人工神经网络概述 | 第15-22页 |
| 2.1.1 感知机模型 | 第15-17页 |
| 2.1.2 人工神经网络 | 第17-20页 |
| 2.1.3 BP算法 | 第20-22页 |
| 2.2 卷积神经网络概述 | 第22-29页 |
| 2.2.1 局部感受野与权值共享 | 第22-24页 |
| 2.2.2 卷积层与降采样层 | 第24-25页 |
| 2.2.3 CNN的反向传播 | 第25-28页 |
| 2.2.4 Softmax回归 | 第28-29页 |
| 2.3 本章小结 | 第29-31页 |
| 第3章 改进的多尺度端到端检测模型(MSE-CNN) | 第31-57页 |
| 3.1 基于深度学习的目标检测算法 | 第31-43页 |
| 3.1.1 选择性搜索策略(SelectiveSearch) | 第31-33页 |
| 3.1.2 支持向量机分类器(SVM) | 第33-36页 |
| 3.1.3 R-CNN算法 | 第36-40页 |
| 3.1.4 Fast-RCNN及Faster-RCNN算法 | 第40-43页 |
| 3.2 目标检测模型改进理论概述 | 第43-49页 |
| 3.2.1 MSE-CNN模型结构设计 | 第44-47页 |
| 3.2.2 损失函数的设计 | 第47页 |
| 3.2.3 批次正则化 | 第47-49页 |
| 3.2.4 数据增广 | 第49页 |
| 3.3 实验结果及结论 | 第49-55页 |
| 3.3.1 数据集的准备 | 第49-51页 |
| 3.3.2 模型的训练与测试 | 第51-53页 |
| 3.3.3 目标检测算法评价标准 | 第53页 |
| 3.3.4 实验结果及分析 | 第53-55页 |
| 3.4 本章小结 | 第55-57页 |
| 第4章 改进的室内定位系统 | 第57-73页 |
| 4.1 PnP求解方法概述 | 第57-63页 |
| 4.1.1 PnP问题的几何约束 | 第58-59页 |
| 4.1.2 RPnP算法 | 第59-61页 |
| 4.1.3 EPnP算法 | 第61-63页 |
| 4.2 改进的PnP求解方法 | 第63-65页 |
| 4.3 Harris角点检测算法 | 第65-66页 |
| 4.4 改进后的室内定位系统设计 | 第66-67页 |
| 4.5 系统仿真实验 | 第67-72页 |
| 4.5.1 定位算法评价指标 | 第67页 |
| 4.5.2 模拟数据仿真实验 | 第67-69页 |
| 4.5.3 真实场景实验 | 第69-72页 |
| 4.6 本章小结 | 第72-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第81-82页 |
| 致谢 | 第82页 |
