| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-21页 |
| ·课题研究的背景及意义 | 第11-12页 |
| ·移动机器人定位的研究背景及意义 | 第11页 |
| ·基于全景视觉的移动机器人定位 | 第11-12页 |
| ·国内外研究现状 | 第12-20页 |
| ·移动机器人定位国内外研究现状 | 第12-15页 |
| ·图像特征提取国内外现状 | 第15-18页 |
| ·粒子滤波定位的国内外现状 | 第18-20页 |
| ·本论文的关键技术及主要工作 | 第20-21页 |
| 第2章 基于全景视觉的移动机器人粒子滤波定位系统设计 | 第21-36页 |
| ·基于全景视觉的移动机器人粒子滤波定位系统功能与组成 | 第21-25页 |
| ·全景视觉图像采集系统功能与组成 | 第21-23页 |
| ·全景图像处理级功能与组成 | 第23-24页 |
| ·数据分析级功能与组成 | 第24-25页 |
| ·输出控制级功能与组成 | 第25页 |
| ·基于全景视觉的移动机器人粒子滤波定位系统体系结构 | 第25-29页 |
| ·智能层 | 第26页 |
| ·协调层 | 第26-27页 |
| ·运动控制层 | 第27-29页 |
| ·全景视觉成像原理及全景视觉传感器设计 | 第29-35页 |
| ·摄像机成像几何模型 | 第29-30页 |
| ·折反射全景成像原理 | 第30-33页 |
| ·双曲面折反射全景成像系统设计 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第3章 全景图像特征提取及匹配 | 第36-56页 |
| ·尺度不变特征变换(SIFT) | 第36-44页 |
| ·尺度空间的生成 | 第38-39页 |
| ·空间极值点检测 | 第39-41页 |
| ·关键点方向分配 | 第41-42页 |
| ·特征点描述子生成 | 第42-43页 |
| ·利用 KD树进行特征匹配 | 第43-44页 |
| ·利用 SIFT算法进行全景图像特征提取及匹配 | 第44-48页 |
| ·算法流程 | 第44-46页 |
| ·实验结果 | 第46-48页 |
| ·基于不同特征描述符的改进 SIFT | 第48-50页 |
| ·基于圆形特征描述符的改进 SIFT | 第48-49页 |
| ·基于圆形特征描述符的改进 SIFT的简化算法 | 第49-50页 |
| ·基于采样邻域的改进 SIFT | 第50-52页 |
| ·基于采样邻域的改进 SIFT算法特征提取及匹配 | 第52-55页 |
| ·重要参数的确定 | 第52-53页 |
| ·改进 SIFT所提取特征的分布 | 第53页 |
| ·改进 SIFT算法的图像匹配 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第4章 移动机器人粒子滤波定位理论基础 | 第56-75页 |
| ·粒子滤波原理基础 | 第56-61页 |
| ·贝叶斯滤波原理 | 第56-59页 |
| ·蒙特卡洛方法 | 第59-61页 |
| ·粒子滤波器基本算法 | 第61-70页 |
| ·贝叶斯重要性采样 | 第61-62页 |
| ·序列重要性采样(SIS) | 第62-66页 |
| ·重要性密度分布 | 第66-67页 |
| ·重采样方法(SIR) | 第67-69页 |
| ·粒子滤波基本流程 | 第69-70页 |
| ·粒子滤波器常用改进算法 | 第70-74页 |
| ·辅助粒子滤波 | 第70-71页 |
| ·正则粒子滤波 | 第71-73页 |
| ·高斯粒子滤波 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 第5章 基于全景视觉的移动机器人粒子滤波定位 | 第75-88页 |
| ·移动机器人粒子滤波定位基本要素 | 第75-81页 |
| ·运动模型 | 第77-78页 |
| ·感知模型 | 第78-80页 |
| ·环境地图的获取 | 第80-81页 |
| ·关键因素的影响分析 | 第81-83页 |
| ·粒子数目 | 第81页 |
| ·重采样方法 | 第81-83页 |
| ·基于全景视觉的移动机器人粒子滤波定位实验 | 第83-87页 |
| ·本章小结 | 第87-88页 |
| 结论 | 第88-91页 |
| 参考文献 | 第91-99页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第99-100页 |
| 致谢 | 第100页 |
