| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 机器人定位研究背景和意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 发展趋势 | 第14-15页 |
| 1.4 论文主要研究目标及章节安排 | 第15-17页 |
| 1.4.1 研究目标 | 第15页 |
| 1.4.2 章节安排 | 第15-17页 |
| 2 基于KinectV2的视觉感知系统设计 | 第17-39页 |
| 2.1 基于KinectV2的视觉系统分析 | 第17-23页 |
| 2.1.1 KinectV2视觉平台 | 第17-18页 |
| 2.1.2 深度值获取方法 | 第18-23页 |
| 2.2 Kinect V2环境信息采集 | 第23-27页 |
| 2.3 基于内外参数的摄像机模型 | 第27-31页 |
| 2.4 KinectV2的视觉标定 | 第31-37页 |
| 2.4.1 标定模型 | 第31-34页 |
| 2.4.2 标定的主要过程和结果 | 第34-37页 |
| 2.5 本章小节 | 第37-39页 |
| 3 RGB-D视觉里程计定位估计 | 第39-57页 |
| 3.1 机器人定位问题的建模与解决方案 | 第39-40页 |
| 3.2 基于特征点的视觉里程计运动估计 | 第40-47页 |
| 3.2.1 特征提取 | 第41-42页 |
| 3.2.2 构建特征描述子进行特征点匹配 | 第42-45页 |
| 3.2.3 基于运动模型更新位姿信息 | 第45-46页 |
| 3.2.4 优化位姿 | 第46-47页 |
| 3.3 直接基于像素信息的视觉里程计估计 | 第47-49页 |
| 3.4 特征点法和直接法的实验对比分析 | 第49-55页 |
| 3.4.1 特征纹理丰富的环境 | 第50-53页 |
| 3.4.2 木板面环境 | 第53-55页 |
| 3.5 本章小结 | 第55-57页 |
| 4 基于RGB-D视觉里程计定位估计算法的改进 | 第57-67页 |
| 4.1 基于环境特征的里程计选择算法主要思想 | 第57页 |
| 4.2 基于环境特征的里程计选择算法流程图 | 第57-58页 |
| 4.3 算法实现 | 第58-66页 |
| 4.3.1 图像预处理 | 第58-59页 |
| 4.3.2 特征点检测与统计 | 第59-62页 |
| 4.3.3 确定选择视觉里程计的条件数 | 第62-63页 |
| 4.3.4 运动估计 | 第63-66页 |
| 4.4 本章小结 | 第66-67页 |
| 5 基于环境特征的里程计选择算法的实验验证 | 第67-79页 |
| 5.1 实验系统设计 | 第67-70页 |
| 5.1.1 实验硬件装置 | 第67-68页 |
| 5.1.2 软件测试平台 | 第68-70页 |
| 5.2 基于环境特征的视觉里程计选择算法的实验验证 | 第70-77页 |
| 5.2.1 光学条件良好的实验室环境 | 第70-72页 |
| 5.2.2 光学条件良好的地面环境 | 第72-74页 |
| 5.2.3 光学条件昏暗的实验室环境 | 第74-77页 |
| 5.3 本章小结 | 第77-79页 |
| 6 结论与展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 作者简历 | 第85-89页 |
| 学位论文数据集 | 第89页 |