| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本论文的主要工作 | 第15-16页 |
| 1.4 本文的章节安排 | 第16-19页 |
| 2 数字图像特征 | 第19-29页 |
| 2.1 数字图像的产生及获取方法 | 第19页 |
| 2.2 常见的图像特征 | 第19-20页 |
| 2.2.1 局部特征点 | 第19页 |
| 2.2.2 全局特征 | 第19-20页 |
| 2.3 几种经典的图像特征点检测算法 | 第20-24页 |
| 2.3.1 角点检测算法 | 第20-21页 |
| 2.3.2 斑点检测算法 | 第21-23页 |
| 2.3.3 特征描述 | 第23-24页 |
| 2.4 几种基于机器学习方法的图像特征点检测方法 | 第24-27页 |
| 2.4.1 机器学习与滤波器方法相结合的检测方法 | 第24-26页 |
| 2.4.2 基于神经网络的检测方法 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 3 面向视角变换优化的神经网络图像特征点检测器设计 | 第29-41页 |
| 3.1 卷积神经网络简述 | 第29-30页 |
| 3.2 基于卷积神经网络的图像特征点检测器网络 | 第30-32页 |
| 3.2.1 输入层 | 第30页 |
| 3.2.2 隐藏层 | 第30-31页 |
| 3.2.3 激活函数 | 第31-32页 |
| 3.2.4 目标函数 | 第32页 |
| 3.2.5 输出层 | 第32页 |
| 3.3 检测器网络的具体结构 | 第32-34页 |
| 3.4 面向空间视角变换优化的图像特征点筛选方法 | 第34-36页 |
| 3.5 特征点描述子的计算 | 第36-39页 |
| 3.6 本章小结 | 第39-41页 |
| 4 检测器网络的训练 | 第41-49页 |
| 4.1 相关数据集简介 | 第41-43页 |
| 4.2 训练数据集的创建 | 第43-45页 |
| 4.2.1 数据选取与采集 | 第43-44页 |
| 4.2.2 数据处理与标注 | 第44-45页 |
| 4.3 训练优化方法及结果 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 测试实验与结果分析 | 第49-65页 |
| 5.1 检出特征点的可重复性测试实验与对比分析 | 第49-52页 |
| 5.2 基于本文方法的视觉里程计应用实例的误差测试实验与对比分析 | 第52-61页 |
| 5.2.1 基于本文方法的视觉里程计应用实例实现 | 第52-57页 |
| 5.2.2 本质矩阵估算误差测试 | 第57-59页 |
| 5.2.3 单应性矩阵估算误差测试 | 第59-61页 |
| 5.3 特征点检测器网络的处理性能测试 | 第61-63页 |
| 5.4 本章小结 | 第63-65页 |
| 6 总结与展望 | 第65-69页 |
| 6.1 本文总结 | 第65-66页 |
| 6.2 展望 | 第66-69页 |
| 参考文献 | 第69-75页 |
| 作者简历 | 第75页 |
| 读硕期间的科研成果 | 第75页 |