| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 视觉SLAM主要研究内容 | 第9-11页 |
| 1.3 移动机器人Visual SLAM研究现状 | 第11-14页 |
| 1.3.1 基于滤波的Visual SLAM研究方法 | 第11-12页 |
| 1.3.2 基于图优化的Visual SLAM研究方法 | 第12-13页 |
| 1.3.3 Visual SLAM中传感器的分类 | 第13-14页 |
| 1.4 国内外研究现状分析 | 第14-15页 |
| 1.5 论文主要研究内容 | 第15-16页 |
| 第2章 基于Kinect的视觉感知系统设计 | 第16-25页 |
| 2.1 引言 | 第16页 |
| 2.2 基于Kinect的视觉系统分析 | 第16-19页 |
| 2.2.1 Kinect视觉平台 | 第16-17页 |
| 2.2.2 Kinect图像获取方法 | 第17-19页 |
| 2.3 基于Kinect的视觉标定方法 | 第19-22页 |
| 2.4 基于Kinect的深度数据处理方法 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 图像特征提取匹配与运动估计方法 | 第25-40页 |
| 3.1 引言 | 第25页 |
| 3.2 图像特征的提取方法 | 第25-29页 |
| 3.2.1 视觉SLAM的需求分析 | 第25-26页 |
| 3.2.2 视觉SLAM点特征提取与描述算法分析 | 第26-28页 |
| 3.2.3 特征提取算法简单实验对比分析 | 第28-29页 |
| 3.3 图像特征的精确匹配方法 | 第29-34页 |
| 3.3.1 图像特征点的匹配原理 | 第29-31页 |
| 3.3.2 图像特征点错误匹配剔除算法 | 第31-34页 |
| 3.4 运动估计方法设计与分析 | 第34-39页 |
| 3.4.1 图像特征点三维点集配准方法 | 第34-36页 |
| 3.4.2 绑定深度信息的RANSAC三维点配准算法 | 第36-37页 |
| 3.4.3 运动估计对比实验 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 机器人位姿的全局优化方法 | 第40-55页 |
| 4.1 引言 | 第40页 |
| 4.2 关键帧（Keyframes）处理 | 第40-42页 |
| 4.3 闭环检测（ Loop closure detection）方法分析 | 第42-45页 |
| 4.3.1 闭环检测实施流程 | 第42-44页 |
| 4.3.2 错误闭环剔除模型 | 第44-45页 |
| 4.4 全局位姿图优化（ Graph Optimization）方法 | 第45-53页 |
| 4.4.1 RGBD SLAM图优化模型建立 | 第45-47页 |
| 4.4.2 图优化的理论求解推导 | 第47-49页 |
| 4.4.3 帧间约束信息矩阵的确定 | 第49-52页 |
| 4.4.4 图优化的实现 | 第52-53页 |
| 4.5 地图创建 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第5章 系统实验与分析 | 第55-63页 |
| 5.1 引言 | 第55页 |
| 5.2 基于Kinect的RGBD SLAM室内实验分析 | 第55-59页 |
| 5.2.1 实验平台介绍 | 第55-56页 |
| 5.2.2 室内真实环境实验分析 | 第56-59页 |
| 5.3 基于基准数据（Benchmark Datasets）的实验评估 | 第59-62页 |
| 5.3.1 RGBD基准数据集与准确性评估方法 | 第59-61页 |
| 5.3.2 不同特征提取算法SLAM效果对比 | 第61页 |
| 5.3.3 动态RANSAC与信息矩阵模型效果检验 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70页 |
