| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题的来源与增强现实的定义和特点 | 第8页 |
| 1.1.1 课题的来源 | 第8页 |
| 1.1.2 增强现实的定义和特点 | 第8页 |
| 1.2 研究背景及研究的意义 | 第8-11页 |
| 1.2.1 研究背景 | 第8-10页 |
| 1.2.2 研究意义 | 第10-11页 |
| 1.3 增强现实的应用领域 | 第11-12页 |
| 1.4 主要工作内容 | 第12-14页 |
| 第二章 相关研究 | 第14-26页 |
| 2.1 增强现实系统 | 第14-18页 |
| 2.1.1 增强现实系统的组成结构 | 第14-15页 |
| 2.1.2 增强现实系统中的关键技术 | 第15-18页 |
| 2.2 深度学习 | 第18-19页 |
| 2.3 主流的深度学习框架及其比较 | 第19-21页 |
| 2.3.1 Tensorflow | 第19页 |
| 2.3.2 Caffe | 第19-20页 |
| 2.3.3 Torch | 第20页 |
| 2.3.4 Theano | 第20-21页 |
| 2.4 目标检测算法 | 第21-26页 |
| 2.4.1 传统的目标检测算法 | 第21-22页 |
| 2.4.2 基于Region Proposal的深度学习目标检测算法 | 第22-24页 |
| 2.4.3 基于回归方法的深度学习目标检测算法 | 第24-26页 |
| 第三章 基于二值化SSD目标检测算法 | 第26-37页 |
| 3.1 SSD(Single Shot Detector)算法 | 第27-31页 |
| 3.1.1 算法的框架 | 第27-28页 |
| 3.1.2 训练模型 | 第28-31页 |
| 3.2 二值神经网络(Binary Neural Network,BNN) | 第31-35页 |
| 3.2.1 二值神经网络的定义 | 第31-32页 |
| 3.2.2 神经网络的二值化方法 | 第32页 |
| 3.2.3 训练二值神经网络 | 第32-34页 |
| 3.2.4 优化 | 第34-35页 |
| 3.3 二值化SSD的优点 | 第35-36页 |
| 3.4 性能分析 | 第36-37页 |
| 第四章 基于标识物体的姿态估计 | 第37-46页 |
| 4.1 姿态估计概述 | 第37-38页 |
| 4.2 基于标识物体姿态估计的原理推导 | 第38-41页 |
| 4.3 本文采取的方法 | 第41-46页 |
| 4.3.1 计算相机坐标 | 第42-43页 |
| 4.3.2 计算P点的相机坐标系坐标 | 第43-44页 |
| 4.3.3 计算P点在世界坐标系中的方向向量 | 第44页 |
| 4.3.4 计算出P点的世界坐标 | 第44-46页 |
| 第五章 系统实现 | 第46-52页 |
| 5.1 系统整体设计 | 第46-47页 |
| 5.1.1 系统开发工具 | 第46页 |
| 5.1.2 系统运行环境 | 第46-47页 |
| 5.1.3 系统模块及工作流程 | 第47页 |
| 5.2 系统实现过程 | 第47-50页 |
| 5.2.1 训练SSD模型 | 第48-49页 |
| 5.2.2 系统初始化以及视频图像的采集 | 第49-50页 |
| 5.2.3 虚拟物体模型的导入 | 第50页 |
| 5.2.4 标识物体检测 | 第50页 |
| 5.2.5 虚拟物体渲染与真实环境的融合 | 第50页 |
| 5.3 系统实验结果与分析 | 第50-52页 |
| 5.3.1 系统实验环境 | 第50页 |
| 5.3.2 系统的运行效果 | 第50-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-60页 |
| 攻读硕士学位期间取得的科研成果 | 第60-61页 |
