| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-20页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 移动机器人的国内外研究现状 | 第11-13页 |
| 1.2.1 移动机器人国外研究现状 | 第11-12页 |
| 1.2.2 移动机器人国内研究现状 | 第12-13页 |
| 1.3 移动机器人视觉 SLAM 概述 | 第13-17页 |
| 1.3.1 SLAM 问题描述 | 第14页 |
| 1.3.2 常见的 SLAM 算法 | 第14-16页 |
| 1.3.3 视觉图像特征提取 | 第16-17页 |
| 1.4 SLAM 算法中存在的主要问题 | 第17-19页 |
| 1.4.1 数据关联 | 第17-18页 |
| 1.4.2 环境地图的表示问题 | 第18页 |
| 1.4.3 如何描述和处理不确定信息 | 第18-19页 |
| 1.5 本文的论文结构安排 | 第19-20页 |
| 2 基于子区域 PCA-SURF 算法的地图特征提取 | 第20-40页 |
| 2.1 几种传统的特征提取算法 | 第20-28页 |
| 2.1.1 Harris 算法 | 第20-22页 |
| 2.1.2 SUSAN 算法 | 第22-23页 |
| 2.1.3 SIFT 算法 | 第23-28页 |
| 2.2 PCA-SURF 算法详述 | 第28-38页 |
| 2.2.1 PCA 主成分分析算法 | 第28-29页 |
| 2.1.2 PCA-SURF 算法 | 第29-38页 |
| 2.3 地图特征的逆深度参数变换 | 第38-39页 |
| 2.4 本章小结 | 第39-40页 |
| 3 基于 EKF-SLAM 的地图构建 | 第40-51页 |
| 3.1 卡尔曼滤波器（KF）和扩展卡尔曼滤波器（EKF）的原理 | 第40-44页 |
| 3.1.1 KF 算法 | 第40-41页 |
| 3.1.2 EKF 算法 | 第41-44页 |
| 3.2 单目视觉 SLAM 算法系统模型 | 第44-50页 |
| 3.2.1 坐标模型 | 第44-46页 |
| 3.2.2 状态模型 | 第46-48页 |
| 3.2.3 特征模型 | 第48页 |
| 3.2.4 观测模型 | 第48-50页 |
| 3.2.5 噪声模型 | 第50页 |
| 3.3 本章小结 | 第50-51页 |
| 4 单目视觉 SLAM 中的数据关联算法及实验仿真 | 第51-65页 |
| 4.1 数据关联算法 | 第51-55页 |
| 4.1.2 马氏距离 | 第52页 |
| 4.1.3 关联门概念 | 第52-54页 |
| 4.1.4 最近邻数据关联算法 | 第54-55页 |
| 4.2 基于 PCA-SURF 的单目视觉 SLAM 算法的执行过程 | 第55-62页 |
| 4.2.1 预测阶段 | 第56-57页 |
| 4.2.2 基于 1 点 RANSAC 的单目视觉 SLAM 的观测和更新 | 第57-61页 |
| 4.2.3 地图扩充阶段 | 第61-62页 |
| 4.3 室内场景单目视 SLAM 仿真 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 5 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 个人简历 | 第72-73页 |
| 攻读硕士期间发表的论文 | 第73-74页 |
