摘要 | 第3-4页 |
abstract | 第4-5页 |
第1章 绪论 | 第9-17页 |
1.1 引言 | 第9-10页 |
1.2 研究背景及其意义 | 第10-11页 |
1.3 国内外研究现状 | 第11-14页 |
1.3.1 影像配准技术 | 第11-12页 |
1.3.2 视频拼接研究现状 | 第12-14页 |
1.4 论文的主要工作及结构安排 | 第14-17页 |
1.4.1 论文的主要工作 | 第14-15页 |
1.4.2 论文的结构安排 | 第15-17页 |
第2章 拼接技术基础 | 第17-31页 |
2.1 摄像机成像模型 | 第17-19页 |
2.1.1 世界坐标系和图像坐标系的转换 | 第17-18页 |
2.1.2 世界坐标系和摄像机坐标系的转换 | 第18页 |
2.1.3 图像像素坐标和图像物理坐标的转换 | 第18-19页 |
2.2 摄像机的非线性模型 | 第19-21页 |
2.2.1 径向畸变 | 第19-20页 |
2.2.2 切向畸变 | 第20页 |
2.2.3 摄像机校正 | 第20-21页 |
2.3 图像变形 | 第21-23页 |
2.3.1 柱面投影原理 | 第21-23页 |
2.4 CUDA基础 | 第23-24页 |
2.5 CUDA编程架构介绍 | 第24-29页 |
2.5.1 CUDA可升级的编程模型 | 第25-26页 |
2.5.2 CUDA软件编程模型 | 第26-28页 |
2.5.3 CUDA存储器结构模型 | 第28-29页 |
2.6 本章小结 | 第29-31页 |
第3章 基于改进卷积网络的Homography估计方法 | 第31-41页 |
3.1 Tensorflow框架 | 第31-32页 |
3.2 归一化方式 | 第32-34页 |
3.2.1 批量归一化 | 第32-33页 |
3.2.2 BN如何工作 | 第33页 |
3.2.3 群组归一化 | 第33-34页 |
3.3 基于卷积神经网络HomographyNet模型 | 第34-35页 |
3.3.1 HomographyNet模型介绍 | 第34-35页 |
3.3.2 HomographyNet结构 | 第35页 |
3.4 网络模型输入的数据集 | 第35-37页 |
3.4.1 参数化4坐标单应性矩阵 | 第36页 |
3.4.2 训练数据准备 | 第36-37页 |
3.5 改进后的HomographyNet网络 | 第37-38页 |
3.6 实验结果与分析 | 第38-39页 |
3.7 本章小结 | 第39-41页 |
第4章 基于ORB特征匹配算法的改进 | 第41-53页 |
4.1 尺度空间和SIFT算法 | 第41-43页 |
4.1.1 DoG金字塔构建 | 第41-42页 |
4.1.2 SIFT算法简介 | 第42-43页 |
4.2 ORB算法 | 第43-47页 |
4.2.1 ORB算法原理 | 第43-44页 |
4.2.2 oFAST特征检测 | 第44-45页 |
4.2.3 rBRIEF描述子算法 | 第45-47页 |
4.3 RANSAC算法概述 | 第47页 |
4.4 改进ORB算法并进行CUDA加速 | 第47-50页 |
4.4.1 改进ORB算法 | 第47-50页 |
4.5 实验结果与分析 | 第50-52页 |
4.5.1 尺度变换比较 | 第50-51页 |
4.5.2 旋转不变性的比较 | 第51-52页 |
4.6 本章小结 | 第52-53页 |
第5章 基于CUDA的视频拼接系统实现 | 第53-65页 |
5.1 影像拼接系统 | 第53-54页 |
5.2 基于CUDA的投影变形模型 | 第54-56页 |
5.2.1 线性插值 | 第54-55页 |
5.2.2 影像变形实现 | 第55-56页 |
5.3 影像融合 | 第56-61页 |
5.3.1 渐入渐出融合 | 第56-58页 |
5.3.2 多分辨率融合 | 第58-61页 |
5.4 影像拼接系统的实现 | 第61-62页 |
5.5 实验结果及分析 | 第62-64页 |
5.6 本章小结 | 第64-65页 |
第6章 总结和展望 | 第65-69页 |
6.1 工作总结 | 第65-66页 |
6.2 工作展望 | 第66-69页 |
参考文献 | 第69-73页 |
致谢 | 第73-75页 |
个人简历、在学期间发表的学术论文与研究成果 | 第75页 |