| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第1章 绪论 | 第8-14页 |
| ·课题的研究背景和意义 | 第8-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·单目视觉里程计技术的研究现状 | 第10-11页 |
| ·机器学习算法在视觉导航领域的研究现状 | 第11-12页 |
| ·主要研究内容 | 第12-14页 |
| 第2章 单目视觉里程计基本框架的构建 | 第14-26页 |
| ·图像预处理 | 第14-16页 |
| ·摄像机标定算法 | 第14-15页 |
| ·图像矫正算法 | 第15-16页 |
| ·特征点检测与匹配算法的研究 | 第16-21页 |
| ·Harris角点检测算法 | 第16-17页 |
| ·基于SURF特征描述子的特征点匹配算法 | 第17-18页 |
| ·光流法 | 第18-21页 |
| ·方案的选择 | 第21页 |
| ·运动估计方法的研究 | 第21-24页 |
| ·RANSAC随机抽样一致算法原理 | 第21-22页 |
| ·Hartley八点算法计算基础矩阵 | 第22-23页 |
| ·基于本质矩阵的里程计构建方法 | 第23-24页 |
| ·本章小结 | 第24-26页 |
| 第3章 单目视觉尺度模糊问题的研究 | 第26-30页 |
| ·传统的解决方案 | 第26页 |
| ·边沿拓展EEM算法 | 第26-29页 |
| ·本章小结 | 第29-30页 |
| 第4章 融合机器学习算法的改进型KALMAN滤波器 | 第30-37页 |
| ·自适应卡尔曼滤波器 | 第30-32页 |
| ·基于SVM算法的自适应卡尔曼滤波器设计 | 第32-36页 |
| ·本章小结 | 第36-37页 |
| 第5章 动态背景下剔除运动目标干扰的方法 | 第37-45页 |
| ·运动目标检测算法 | 第37-41页 |
| ·静态背景下的运动目标检测算法 | 第38-41页 |
| ·动态背景下的运动目标检测算法 | 第41页 |
| ·基于行人检测的运动目标检测方法 | 第41-44页 |
| ·HOG特征 | 第42-43页 |
| ·HOG+SVM建模与训练 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第6章 实验结果与分析 | 第45-56页 |
| ·摄像机标定实验 | 第45-46页 |
| ·图像矫正实验 | 第46-47页 |
| ·特征检测与匹配实验 | 第47-50页 |
| ·Harris+SURF方案与单纯SURF方案对比 | 第47-49页 |
| ·Harris+SURF方案与光流法对比 | 第49-50页 |
| ·EEM算法提取地面实验 | 第50-51页 |
| ·基于EEM和KDE的里程计定位实验 | 第51-53页 |
| ·SVMAKF算法实验 | 第53-54页 |
| ·基于行人检测的运动物体剔除实验 | 第54-55页 |
| ·实验结论 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第61-63页 |
| 致谢 | 第63页 |