基于云机器人的3D场景重构算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.1.1 课题研究背景 | 第11-12页 |
| 1.1.2 课题意义 | 第12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-17页 |
| 1.3 主要内容及章节安排 | 第17-19页 |
| 第2章 RGB-D点云数据获取 | 第19-29页 |
| 2.1 Kinect深度相机 | 第19-20页 |
| 2.2 数据采集系统 | 第20-23页 |
| 2.2.1 图像采集 | 第20-21页 |
| 2.2.2 坐标系概念 | 第21-22页 |
| 2.2.3 彩色图像与深度图像对齐 | 第22-23页 |
| 2.3 深度图像预处理 | 第23-27页 |
| 2.3.1 中值滤波 | 第24页 |
| 2.3.2 均值滤波 | 第24-25页 |
| 2.3.3 高斯滤波 | 第25页 |
| 2.3.4 深度图像去噪 | 第25-27页 |
| 2.4 获取点云数据 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于局部特征的点云数据配准 | 第29-49页 |
| 3.1 点云数据配准的概念 | 第29-30页 |
| 3.2 特征提取与匹配 | 第30-37页 |
| 3.2.1 SIFT特征提取与匹配 | 第30-33页 |
| 3.2.2 SURF特征提取与匹配 | 第33-35页 |
| 3.2.3 ORB特征提取与匹配 | 第35-37页 |
| 3.3 基于光流法的FAST特征点跟踪 | 第37-39页 |
| 3.4 基于PNP算法的点云数据配准 | 第39-42页 |
| 3.4.1 PNP问题 | 第39-40页 |
| 3.4.2 PNP算法在点云配准中的应用 | 第40-42页 |
| 3.5 基于ICP算法的点云数据配准 | 第42-46页 |
| 3.5.1 ICP算法流程 | 第42-43页 |
| 3.5.2 ICP算法分析 | 第43-46页 |
| 3.6 点云配准实验结果 | 第46-47页 |
| 3.7 本章小结 | 第47-49页 |
| 第4章 基于Socket的机器人/云端数据传输 | 第49-57页 |
| 4.1 关键帧提取 | 第49-52页 |
| 4.1.1 基于纹理信息的关键帧提取 | 第49-50页 |
| 4.1.2 基于姿态约束的关键帧提取 | 第50-51页 |
| 4.1.3 关键帧提取算法性能评估 | 第51-52页 |
| 4.2 因特网数据传输 | 第52-54页 |
| 4.2.1 TCP/IP协议 | 第52-53页 |
| 4.2.2 Socket通信过程 | 第53-54页 |
| 4.3 数据传输方案 | 第54-56页 |
| 4.3.1 图像数据传输 | 第54-55页 |
| 4.3.2 数据传输实验 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 云端三维场景重建架构的实现 | 第57-79页 |
| 5.1 系统架构 | 第57-58页 |
| 5.2 环形闭合检测 | 第58-66页 |
| 5.2.1 基于词典的闭环检测 | 第58-59页 |
| 5.2.2 基于深度学习模型的闭环检测 | 第59-65页 |
| 5.2.3 基于图像匹配和位姿估计的闭环检测 | 第65-66页 |
| 5.3 闭环检测的并行处理 | 第66-67页 |
| 5.4 基于图优化的误差均衡 | 第67-72页 |
| 5.4.1 代价函数 | 第67-68页 |
| 5.4.2 非线性最小二乘优化 | 第68-69页 |
| 5.4.3 基于流形的最小二乘优化 | 第69-72页 |
| 5.5 三维场景重构实验结果及分析 | 第72-76页 |
| 5.5.1 数据仿真 | 第72-75页 |
| 5.5.2 实际环境测试 | 第75-76页 |
| 5.6 双机器人协同数据融合及实验结果 | 第76-78页 |
| 5.7 本章小结 | 第78-79页 |
| 第6章 总结与展望 | 第79-81页 |
| 6.1 总结 | 第79页 |
| 6.2 展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85页 |
