| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题的研究背景和意义 | 第8-11页 |
| 1.2 闭环检测的国内外研究现状分析 | 第11-13页 |
| 1.2.1 基于位姿概率估计的闭环检测研究现状 | 第11页 |
| 1.2.2 基于场景外观匹配的闭环检测研究现状 | 第11-13页 |
| 1.3 本文的研究目的和研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 VSLAM闭环检测理论基础 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 SLAM基础理论 | 第16-21页 |
| 2.2.1 基于滤波器的SLAM模型 | 第16-18页 |
| 2.2.2 基于图优化的SLAM模型 | 第18-19页 |
| 2.2.3 外部传感器 | 第19-20页 |
| 2.2.4 地图构建 | 第20-21页 |
| 2.3 VSLAM闭环检测概述 | 第21-23页 |
| 2.3.1 位姿概率估计 | 第22-23页 |
| 2.3.2 场景外观匹配 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于RANDNET特征的VSLAM闭环检测 | 第24-35页 |
| 3.1 引言 | 第24页 |
| 3.2 传统的VSLAM闭环检测特征提取方法 | 第24-28页 |
| 3.2.1 基于BoVW的场景特征提取方法 | 第24-27页 |
| 3.2.2 基于GIST的场景特征提取方法 | 第27-28页 |
| 3.3 基于深度学习的VSLAM闭环检测特征提取方法 | 第28-31页 |
| 3.3.1 基于SAE的场景特征提取方法 | 第28-30页 |
| 3.3.2 基于Places-CNN的场景提取方法 | 第30-31页 |
| 3.4 基于RANDNET特征的VSLAM闭环检测 | 第31-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于THLSH的RANDNET快速闭环检测 | 第35-40页 |
| 4.1 引言 | 第35页 |
| 4.2 基于余弦相似性矩阵的闭环检测特征匹配 | 第35-36页 |
| 4.3 基于随机超平面的LSH快速匹配方法 | 第36-38页 |
| 4.4 基于阈值的LSH快速匹配方法 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 实验设计与结果分析 | 第40-51页 |
| 5.1 引言 | 第40页 |
| 5.2 实验环境 | 第40页 |
| 5.3 实验数据集 | 第40-41页 |
| 5.4 基于RANDNET特征的闭环检测结果与分析 | 第41-45页 |
| 5.5 基于LSH的闭环检测结果与分析 | 第45-49页 |
| 5.6 本章小结 | 第49-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58页 |
