| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 课题研究的背景与意义 | 第7-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于智能手机的跟踪 | 第10-11页 |
| 1.2.2 基于其他设备的跟踪 | 第11-12页 |
| 1.3 论文的主要研究内容及结构 | 第12-13页 |
| 第2章 系统简介 | 第13-20页 |
| 2.1 准备工作 | 第13页 |
| 2.2 基础知识 | 第13-17页 |
| 2.2.1 姿态角介绍 | 第14-15页 |
| 2.2.2 摄像机模型 | 第15-16页 |
| 2.2.3 卡尔曼滤波器 | 第16-17页 |
| 2.3 系统模块介绍 | 第17-20页 |
| 2.3.1 基于IMU的跟踪模块 | 第18页 |
| 2.3.2 基于单目SLAM的跟踪模块 | 第18页 |
| 2.3.3 IMU-Mono-SLAM结合模块 | 第18-19页 |
| 2.3.4 短期跟踪丢失恢复模块 | 第19-20页 |
| 第3章 基于IMU的姿态跟踪方法 | 第20-29页 |
| 3.1 基于梯度下降+补偿滤波器的多传感器融合算法 | 第20-22页 |
| 3.1.1 通过陀螺仪计算q_(w,t) | 第20-21页 |
| 3.1.2 利用梯度下降计算q_(g,t) | 第21-22页 |
| 3.1.3 补偿滤波器求q_(I,t) | 第22页 |
| 3.2 实时动态步长算法 | 第22-24页 |
| 3.3 基于陀螺仪补偿算法 | 第24-26页 |
| 3.4 姿态计算在动作识别里面的运用 | 第26-29页 |
| 第4章 基于单目摄像头的SLAM | 第29-37页 |
| 4.1 摄像头校准 | 第29页 |
| 4.2 基于单目摄像头的跟踪 | 第29-32页 |
| 4.2.1 解算摄像头的姿态 | 第29-30页 |
| 4.2.2 基于三角化更新三维点 | 第30-31页 |
| 4.2.3 基于光束平差法的优化 | 第31-32页 |
| 4.3 初始化单目SLAM | 第32-34页 |
| 4.4 手机摄像头建模 | 第34-37页 |
| 4.4.1 形式化问题 | 第35页 |
| 4.4.2 卷帘快门模型 | 第35-37页 |
| 第5章 基于IMU-MonoSLAM的跟踪方法 | 第37-48页 |
| 5.1 基于卡尔曼滤波器的IMU与单目摄像头SLAM融合算法 | 第37-43页 |
| 5.1.1 状态定义 | 第37-38页 |
| 5.1.2 状态迁移模型 | 第38-41页 |
| 5.1.3 状态更新 | 第41-43页 |
| 5.2 多状态并行的局部恢复 | 第43-48页 |
| 5.2.1 准备工作 | 第43-44页 |
| 5.2.2 纯IMU状态向量 | 第44页 |
| 5.2.3 跟踪丢失检测 | 第44-46页 |
| 5.2.4 跟踪丢失恢复 | 第46-48页 |
| 第6章 实验评估和应用 | 第48-57页 |
| 6.1 系统实现 | 第48页 |
| 6.2 各模块方法评估 | 第48-56页 |
| 6.2.1“实时动态步长”算法评估 | 第49-50页 |
| 6.2.2“基于陀螺仪补偿”算法评估 | 第50页 |
| 6.2.3 动作识别准确率评估 | 第50-52页 |
| 6.2.4 短距离跟踪丢失恢复评估 | 第52-54页 |
| 6.2.5 长距离跟踪的评估 | 第54-56页 |
| 6.3 self-Tracker的应用领域 | 第56-57页 |
| 第7章 论文总结 | 第57-59页 |
| 7.1 self-Tracker系统的不足 | 第57页 |
| 7.2 未来展望 | 第57-58页 |
| 7.3 论文结论 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 致谢 | 第61-63页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第63页 |