基于单目相机的运动轨迹与目标检测技术的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 视觉里程计技术 | 第12-13页 |
| 1.2.2 目标检测技术 | 第13-14页 |
| 1.3 本文主要工作和章节安排 | 第14-15页 |
| 第2章 相机标定和目标检测 | 第15-27页 |
| 2.1 相机标定 | 第15-19页 |
| 2.1.1 相关坐标系 | 第15-16页 |
| 2.1.2 相机标定原理 | 第16-17页 |
| 2.1.3 Maltab标定与OpenCV标定 | 第17-19页 |
| 2.2 基于深度学习的目标检测 | 第19-26页 |
| 2.2.1 机器学习 | 第19-20页 |
| 2.2.2 深度学习 | 第20-23页 |
| 2.2.3 卷积神经网络结构 | 第23-24页 |
| 2.2.4 CNN目标检测方法 | 第24-26页 |
| 2.3 本章总结 | 第26-27页 |
| 第3章 基于单目视觉的轨迹生成的研究 | 第27-40页 |
| 3.1 引言 | 第27页 |
| 3.2 ORB特征提取与匹配 | 第27-31页 |
| 3.2.1 ORB特征算法 | 第27-30页 |
| 3.2.2 利用RANSAC算法的ORB特征匹配 | 第30-31页 |
| 3.3 对极几何 | 第31-32页 |
| 3.4 基于最小二乘两点法相机轨迹估计 | 第32-35页 |
| 3.4.1 基于最小二乘法的两点法 | 第33-34页 |
| 3.4.2 增量估计生成运动轨迹 | 第34-35页 |
| 3.5 3D点云的生成 | 第35-37页 |
| 3.5.1 三角化求解3D点云 | 第35-36页 |
| 3.5.2 基于光束法平差的优化 | 第36-37页 |
| 3.6 实验结果与分析 | 第37-39页 |
| 3.7 本章算法综述 | 第39页 |
| 3.8 本章总结 | 第39-40页 |
| 第4章 基于深度残差网络的目标检测算法 | 第40-50页 |
| 4.1 引言 | 第40页 |
| 4.2 卷积神经网络模型 | 第40-41页 |
| 4.3 改进的深度残差网络模型 | 第41-43页 |
| 4.4 卷积神经网络模型训练 | 第43-46页 |
| 4.5 本章算法概述 | 第46页 |
| 4.6 实验结果与分析 | 第46-49页 |
| 4.7 本章总结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 本文工作总结 | 第50页 |
| 5.2 本文不足之处与展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 附录 | 第58页 |
