| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 国内外的研究现状与发展 | 第17-20页 |
| 1.3 论文的研究内容与关键技术 | 第20-21页 |
| 1.4 本文的结构安排 | 第21-22页 |
| 第二章 RGB-D数据传感器介绍及数据采集 | 第22-30页 |
| 2.1 经典视觉SLAM框架 | 第22页 |
| 2.2 RGB-D传感器介绍 | 第22-25页 |
| 2.2.1 RGB-D相机原理 | 第23-24页 |
| 2.2.2 Kinect相机硬件结构 | 第24-25页 |
| 2.3 数据采集和预处理 | 第25-26页 |
| 2.3.1 数据的采集 | 第25页 |
| 2.3.2 数据预处理 | 第25-26页 |
| 2.4 相机标定 | 第26-27页 |
| 2.5 本章小结 | 第27-30页 |
| 第三章 改进ORB的图像描述子的相似性度量 | 第30-52页 |
| 3.1 引言 | 第30页 |
| 3.2 常用的特征提取算法工作原理 | 第30-42页 |
| 3.2.1 SIFT算法 | 第31-35页 |
| 3.2.2 SURF算法 | 第35-37页 |
| 3.2.3 ORB算法 | 第37-40页 |
| 3.2.4 ORB算法与其他算法的比较 | 第40-42页 |
| 3.3 特征匹配 | 第42-44页 |
| 3.3.1 暴力匹配(Brute-Force Matcher)原理 | 第42页 |
| 3.3.2 特征匹配算法比较 | 第42-44页 |
| 3.4 图像的鲁棒描述子 | 第44-46页 |
| 3.4.1 图像鲁棒描述子的基本思想 | 第44页 |
| 3.4.2 提取图像鲁棒描述子步骤 | 第44-46页 |
| 3.5 图像描述子间的相似性度量 | 第46-50页 |
| 3.5.1 机器学习中相似性度量 | 第46-48页 |
| 3.5.2 图像鲁棒描述子间相似度计算 | 第48-50页 |
| 3.6 本章小结 | 第50-52页 |
| 第四章 基于粒子群优化算法的SLAM闭环检测方法 | 第52-72页 |
| 4.1 引言 | 第52页 |
| 4.2 闭环检测概述 | 第52-60页 |
| 4.2.1 闭环检测的意义 | 第53-54页 |
| 4.2.2 闭环检测方法概述 | 第54-55页 |
| 4.2.3 基于词袋模型的闭环检测方法 | 第55-58页 |
| 4.2.4 准确率和召回率 | 第58-60页 |
| 4.3 粒子群优化(PSO)算法概述 | 第60-61页 |
| 4.3.1 PSO算法的基本思想 | 第60页 |
| 4.3.2 PSO算法的数学描述 | 第60-61页 |
| 4.3.3 PSO算法的算法步骤 | 第61页 |
| 4.4 粒子群优化算法检测闭环问题 | 第61-64页 |
| 4.4.1 粒子编码 | 第62页 |
| 4.4.2 建立适应度函数 | 第62页 |
| 4.4.3 基于PSO算法检测闭环步骤 | 第62-64页 |
| 4.5 基于PSO的闭环检测实验结果分析 | 第64-71页 |
| 4.5.1 仿真实验条件 | 第64页 |
| 4.5.2 实验结果分析 | 第64-71页 |
| 4.6 本章小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 工作总结 | 第72-73页 |
| 5.2 未来展望 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82页 |