移动机器人全局定位与运动目标检测方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 选题背景与研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-20页 |
| 1.2.1 视觉SLAM与全局定位 | 第11-18页 |
| 1.2.2 动态环境基于视觉感知的运动目标检测 | 第18-20页 |
| 1.3 本文主要研究内容和章节安排 | 第20-22页 |
| 第2章 机器人定位与视觉环境感知原理 | 第22-34页 |
| 2.1 增量式环境地图的建立 | 第22-26页 |
| 2.1.1 特征检测与匹配 | 第23-24页 |
| 2.1.2 数据关联 | 第24-25页 |
| 2.1.3 关键帧的选取与地图维护 | 第25-26页 |
| 2.2 基于粒子滤波的全局定位方法 | 第26-28页 |
| 2.2.1 贝叶斯推理 | 第26-27页 |
| 2.2.2 移动机器人自定位的概率描述 | 第27页 |
| 2.2.3 蒙特卡洛定位 | 第27-28页 |
| 2.3 目标检测技术 | 第28-33页 |
| 2.3.1 静态背景下的目标检测 | 第29-31页 |
| 2.3.2 形态学处理 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于贝叶斯方法的视觉全局定位 | 第34-52页 |
| 3.1 基于CNN的图像序列匹配 | 第34-40页 |
| 3.1.1 CNN全局描述子 | 第34-35页 |
| 3.1.2 SeqSLAM算法 | 第35-37页 |
| 3.1.3 CNN特征在图像序列匹配中的应用 | 第37页 |
| 3.1.4 实验与分析 | 第37-40页 |
| 3.2 视觉全局定位算法 | 第40-48页 |
| 3.2.1 ORB-SLAM中的全局定位算法 | 第40-43页 |
| 3.2.2 基于粒子滤波的视觉全局定位 | 第43-48页 |
| 3.3 实验结果与分析 | 第48-50页 |
| 3.4 本章小结 | 第50-52页 |
| 第4章 动态环境下基于2.5D栅格的运动目标检测 | 第52-62页 |
| 4.1 运动物体检测与跟踪 | 第52页 |
| 4.2 基于2.5D栅格的DATMO | 第52-55页 |
| 4.3 背景模型建立与运动目标检测 | 第55-57页 |
| 4.3.1 基于2.5D栅格的背景模型建立方法 | 第55-56页 |
| 4.3.2 运动检测以及更新栅格图栈 | 第56-57页 |
| 4.4 实验结果与分析 | 第57-60页 |
| 4.4.1 数据集 | 第57页 |
| 4.4.2 评价指标 | 第57页 |
| 4.4.3 实验结果与分析 | 第57-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 研究总结 | 第62-63页 |
| 5.2 工作展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第72页 |
