| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 视觉SLAM的研究进展 | 第10-12页 |
| 1.2.2 实时三维重建研究进展 | 第12-14页 |
| 1.3 本文研究内容及难点 | 第14-15页 |
| 1.4 本文的章节安排 | 第15-16页 |
| 2 视觉SLAM的基本原理和方法 | 第16-32页 |
| 2.1 基于视觉的SLAM实现原理 | 第16-21页 |
| 2.1.1 SLAM问题的数学描述 | 第17-19页 |
| 2.1.2 视觉SLAM的分类 | 第19-21页 |
| 2.2 视觉SLAM的总体框架 | 第21-28页 |
| 2.2.1 视觉里程计 | 第22-24页 |
| 2.2.2 后端优化 | 第24-26页 |
| 2.2.3 回环检测 | 第26-28页 |
| 2.3 场景建图 | 第28-30页 |
| 2.4 本章小结 | 第30-32页 |
| 3 双目视觉SLAM及场景建图 | 第32-60页 |
| 3.1 ZED双目视觉传感器 | 第32-35页 |
| 3.2 相机标定与立体匹配 | 第35-48页 |
| 3.2.1 双目相机标定 | 第35-40页 |
| 3.2.2 立体匹配算法 | 第40-42页 |
| 3.2.3 深度信息提取 | 第42-48页 |
| 3.3 双目实时三维重建算法 | 第48-55页 |
| 3.3.1 实时重建中的ICP算法 | 第50-53页 |
| 3.3.2 基于RandomizedFerns的回环检测 | 第53-54页 |
| 3.3.3 基于Surfel模型的重建表达 | 第54-55页 |
| 3.4 实验结果 | 第55-58页 |
| 3.4.1 单视图点云 | 第55-56页 |
| 3.4.2 室内场景全局地图 | 第56-58页 |
| 3.5 本章小结 | 第58-60页 |
| 4 三维场景物体识别 | 第60-76页 |
| 4.1 常用模式识别方法 | 第60-63页 |
| 4.1.1 支持向量机 | 第60-61页 |
| 4.1.2 人工神经网络 | 第61-63页 |
| 4.2 三维数据的特征学习方法 | 第63-66页 |
| 4.3 基于深度学习的点云物体识别 | 第66-68页 |
| 4.4 实验结果与分析 | 第68-74页 |
| 4.4.1 数据准备 | 第68-69页 |
| 4.4.2 实验环境 | 第69页 |
| 4.4.3 实验结果 | 第69-74页 |
| 4.5 本章小结 | 第74-76页 |
| 5 总结与展望 | 第76-78页 |
| 5.1 主要工作与结论 | 第76页 |
| 5.2 展望 | 第76-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-85页 |