基于环路闭合探测技术的ORB-SLAM系统优化
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 技术难点 | 第13-14页 |
| 1.4 论文研究内容与组织结构 | 第14-16页 |
| 第二章 ORB-SLAM系统理论与相关技术介绍 | 第16-26页 |
| 2.1 ORB-SLAM框架结构 | 第16-19页 |
| 2.1.1 跟踪环节 | 第17-18页 |
| 2.1.2 建图环节 | 第18页 |
| 2.1.3 闭环检测 | 第18-19页 |
| 2.2 闭环检测中的视觉词袋模型 | 第19-23页 |
| 2.2.1 特征提取与描述子 | 第20-21页 |
| 2.2.2 字典生成方式与性能优化 | 第21页 |
| 2.2.3 图像的向量化表示 | 第21-23页 |
| 2.3 基于深度学习的相似性检索 | 第23-25页 |
| 2.3.1 基于深度学习的图像特征提取 | 第23-24页 |
| 2.3.2 特征提取描述符 | 第24页 |
| 2.3.3 特征编码与索引 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 面向动态图像的闭环检测方法研究 | 第26-50页 |
| 3.1 特征提取的原理 | 第26-27页 |
| 3.2 深度学习方法理论知识 | 第27-32页 |
| 3.2.1 深度学习网络 | 第27-28页 |
| 3.2.2 自编码器原理介绍 | 第28-30页 |
| 3.2.3 常见自编码器类别 | 第30-32页 |
| 3.3 基于栈式混合自编码器的闭环检测算法设计 | 第32-39页 |
| 3.3.1 网络模型结构 | 第32-35页 |
| 3.3.2 SHAE模型训练 | 第35-37页 |
| 3.3.3 闭环检测方法 | 第37-39页 |
| 3.4 面向动态场景图像的算法优化 | 第39-42页 |
| 3.4.1 多层次特征融合构建深度特征描述符 | 第39-41页 |
| 3.4.2 基于YOLO2算法的动态干扰目标检测 | 第41-42页 |
| 3.5 实验分析 | 第42-49页 |
| 3.5.1 算法特征表达性能评估 | 第42-45页 |
| 3.5.2 闭环检测算法性能评估 | 第45-47页 |
| 3.5.3 动态干扰目标检测算法性能评估 | 第47-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 基于特征编码的闭环检测效率优化 | 第50-60页 |
| 4.1 近似最近邻检索 | 第50-51页 |
| 4.2 基于哈希的图像检索方法 | 第51-53页 |
| 4.2.1 哈希学习的基本流程 | 第51-52页 |
| 4.2.2 无监督的哈希学习方法 | 第52-53页 |
| 4.3 基于自编码器的无监督哈希编码方法 | 第53-55页 |
| 4.3.1 模型训练 | 第53-54页 |
| 4.3.2 阈值化方法 | 第54页 |
| 4.3.3 二次检索策略 | 第54-55页 |
| 4.4 实验分析 | 第55-59页 |
| 4.4.1 闭合环路探测系统 | 第55-56页 |
| 4.4.2 哈希编码效果评价 | 第56-57页 |
| 4.4.3 SLAM系统优化效果评估 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 未来展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 作者攻读学位期间发表的学术论文目录 | 第68页 |
