| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外相关研究现状 | 第12-16页 |
| 1.2.1 SLAM | 第12-14页 |
| 1.2.2 机器视觉在SLAM中的运用 | 第14-15页 |
| 1.2.3 特征向量降维 | 第15-16页 |
| 1.3 研究内容、方法及创新点 | 第16-18页 |
| 1.3.1 研究内容 | 第16页 |
| 1.3.2 研究方法及创新点 | 第16-18页 |
| 2 基于RANSAC_SIFT的双目视觉特征匹配方法优化研究 | 第18-26页 |
| 2.1 SIFT特征提取理论 | 第18-22页 |
| 2.1.1 构建高斯尺度空间 | 第18-19页 |
| 2.1.2 特征点位置的确定 | 第19-20页 |
| 2.1.3 特征点方向提取 | 第20-21页 |
| 2.1.4 特征点描述子生成 | 第21-22页 |
| 2.2 SIFT_RANSAC校正算法 | 第22-25页 |
| 2.2.1 RANSAC算法 | 第22-23页 |
| 2.2.2 改进RANSAC算法 | 第23-24页 |
| 2.2.3 SIFT_RANSAC算法 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 降维算法相关理论 | 第26-36页 |
| 3.1 PCA算法 | 第26-29页 |
| 3.1.1 PCA算法思想 | 第26页 |
| 3.1.2 PCA原理 | 第26-29页 |
| 3.2 PCA_SIFT算法 | 第29-30页 |
| 3.2.1 PCA特征降维步骤 | 第29-30页 |
| 3.2.2 PCA_SIFT算法 | 第30页 |
| 3.3 LLE算法 | 第30-34页 |
| 3.4 本章小结 | 第34-36页 |
| 4 特征向量降维实验平台搭建与仿真 | 第36-56页 |
| 4.1 实验平台搭建与方案设计 | 第36-38页 |
| 4.1.1 实验平台搭建 | 第36-37页 |
| 4.1.2 方案设计与实验流程 | 第37-38页 |
| 4.2 基于改进RANSAC_SIFT特征匹配实验与结果分析 | 第38-49页 |
| 4.2.1 双目视觉特征提取 | 第38-39页 |
| 4.2.2 改进RANSAC_SIFT图像特征匹配 | 第39-44页 |
| 4.2.3 改进PCA_SIFT图像特征匹配 | 第44-48页 |
| 4.2.4 实验结果分析 | 第48-49页 |
| 4.3 LLE局部嵌入降维特征匹配实验与结果分析 | 第49-55页 |
| 4.3.1 平台搭建 | 第49-50页 |
| 4.3.2 LLE局部嵌入降维实验 | 第50-54页 |
| 4.3.3 LLE降维实验结果分析 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 特征降维在SLAM中的运用 | 第56-66页 |
| 5.1 特征降维在全景图像拼接中的运用 | 第56-59页 |
| 5.1.1 基于PCA和LLE图像特征降维拼接 | 第56-58页 |
| 5.1.2 实验结果分析 | 第58-59页 |
| 5.2 特征降维在场景识别中的应用 | 第59-64页 |
| 5.2.1 词袋模型原理 | 第59页 |
| 5.2.2 K-means聚类原理 | 第59-60页 |
| 5.2.3 SVM分类器 | 第60-61页 |
| 5.2.4 场景识别实验与结果分析 | 第61-64页 |
| 5.3 本章小结 | 第64-66页 |
| 6 结论与展望 | 第66-68页 |
| 6.1 研究结论 | 第66页 |
| 6.2 研究展望 | 第66-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第74-75页 |
