| 中文摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景 | 第10-13页 |
| 1.1.1 背景 | 第10-11页 |
| 1.1.2 双目立体视觉简介 | 第11-12页 |
| 1.1.3 多目立体视觉简介 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 第2章 立体视觉简介 | 第16-30页 |
| 2.1 计算机视觉 | 第16-17页 |
| 2.1.1 计算机视觉简介 | 第16-17页 |
| 2.1.2 计算机视觉的任务 | 第17页 |
| 2.2 计算机立体视觉 | 第17-18页 |
| 2.3 相机基础 | 第18-20页 |
| 2.3.1 CCD相机 | 第18-19页 |
| 2.3.2 CMOS相机 | 第19-20页 |
| 2.3.3 CCD相机与CMOS相机的对比 | 第20页 |
| 2.4 小孔模型 | 第20-23页 |
| 2.4.1 相机矩阵 | 第21页 |
| 2.4.2 相机内参 | 第21-22页 |
| 2.4.3 相机外参 | 第22-23页 |
| 2.5 极几何 | 第23-27页 |
| 2.5.1 极几何相关概念介绍 | 第23-24页 |
| 2.5.2 极几何约束 | 第24页 |
| 2.5.3 基本矩阵 | 第24-25页 |
| 2.5.4 本质矩阵 | 第25-27页 |
| 2.6 三角定理 | 第27-29页 |
| 2.7 点云数据 | 第29页 |
| 2.8 本章小结 | 第29-30页 |
| 第3章 特征点提取与匹配 | 第30-40页 |
| 3.1 SIFT算法 | 第30-32页 |
| 3.1.1 SIFT算法简介 | 第30页 |
| 3.1.2 SIFT的基本步骤 | 第30-32页 |
| 3.2 k-d二维搜索树 | 第32-34页 |
| 3.2.1 k-d树的建立 | 第32-34页 |
| 3.2.2 k-d树的搜索 | 第34页 |
| 3.3 消除误匹配 | 第34-36页 |
| 3.3.1 RANSAC简介 | 第35页 |
| 3.3.2 RANSAC的步骤 | 第35-36页 |
| 3.4 相关实验结果 | 第36-39页 |
| 3.4.1 SIFT特征点提取 | 第36-37页 |
| 3.4.2 k-d tree的建立 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于SFM与光束法平差的三维重建 | 第40-52页 |
| 4.1 线性求解本质矩阵 | 第40-43页 |
| 4.1.1 八点算法 | 第40-42页 |
| 4.1.2 Nister五点算法 | 第42-43页 |
| 4.2 三角化 | 第43-44页 |
| 4.3 增长的SFM算法 | 第44页 |
| 4.4 光束法平差 | 第44-49页 |
| 4.4.1 Levenberg-Marquardt算法 | 第45-47页 |
| 4.4.2 稀疏矩阵的光束法平差 | 第47-49页 |
| 4.5 实验结果 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 实验结果与讨论 | 第52-70页 |
| 5.1 系统介绍 | 第52-54页 |
| 5.2 预处理 | 第54-57页 |
| 5.3 实验结果 | 第57-61页 |
| 5.3.1 特征点提取与匹配 | 第58-59页 |
| 5.3.2 运动与结构重建 | 第59页 |
| 5.3.3 光束法平差 | 第59-60页 |
| 5.3.4 实验结果 | 第60-61页 |
| 5.4 对输入进行改良 | 第61-66页 |
| 5.4.1. 更大像素 | 第61-65页 |
| 5.4.2. 更密集的角度拍摄 | 第65-66页 |
| 5.5 效果欠佳的输入 | 第66-67页 |
| 5.6 其他重建结果 | 第67-68页 |
| 5.7 本章小结 | 第68-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70页 |
| 6.2 展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76页 |