单目相机图像深度和位姿估计的研究与应用
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 研究现状 | 第14-16页 |
| 1.2.1 传统方法估计深度和位姿的研究概况 | 第14-15页 |
| 1.2.2 深度学习求解深度和位姿的研究概况 | 第15-16页 |
| 1.3 常用数据集 | 第16-17页 |
| 1.3.1 KITTI数据集 | 第16页 |
| 1.3.2 Cityscapes数据集 | 第16-17页 |
| 1.4 研究内容 | 第17-18页 |
| 1.5 章节安排 | 第18-20页 |
| 第2章 深度和位姿估计的基本原理 | 第20-30页 |
| 2.1 相机与图像 | 第20-24页 |
| 2.1.1 针孔相机模型 | 第20-22页 |
| 2.1.2 相机标定原理 | 第22-24页 |
| 2.2 多视图几何 | 第24-27页 |
| 2.2.1 特征匹配 | 第24页 |
| 2.2.2 对极几何 | 第24-26页 |
| 2.2.3 三角测量 | 第26-27页 |
| 2.3 欧式变换 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 深度和位姿的几何求解及应用 | 第30-40页 |
| 3.1 视觉里程计的理论基础 | 第30-31页 |
| 3.2 改进的3D-2D位姿估计 | 第31-35页 |
| 3.2.1 特征提取 | 第32-33页 |
| 3.2.2 关键帧和特征点的筛选策略 | 第33-34页 |
| 3.2.3 位姿估计 | 第34-35页 |
| 3.3 实验结果与分析 | 第35-39页 |
| 3.3.1 数据集实验 | 第35-38页 |
| 3.3.2 现实场景实验 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于点云配准的深度和位姿估计深度学习框架 | 第40-56页 |
| 4.1 基于深度学习的深度和位姿估计 | 第40-46页 |
| 4.1.1 视差与深度的关系 | 第41-42页 |
| 4.1.2 深度和位姿估计方法 | 第42-46页 |
| 4.2 基于点云匹配的深度和位姿估计 | 第46-51页 |
| 4.2.1 点云配准 | 第46-47页 |
| 4.2.2 网络框架 | 第47-49页 |
| 4.2.3 损失函数 | 第49页 |
| 4.2.4 深度估计网络 | 第49-50页 |
| 4.2.5 位姿估计网络 | 第50-51页 |
| 4.3 实验结果及分析 | 第51-54页 |
| 4.3.1 深度估计结果与分析 | 第51-54页 |
| 4.3.2 位姿估计结果与分析 | 第54页 |
| 4.4 本章小结 | 第54-56页 |
| 第5章 多任务学习的深度估计 | 第56-64页 |
| 5.1 图像语义分割与深度估计 | 第56-57页 |
| 5.2 多任务监督学习网络结构 | 第57-59页 |
| 5.2.1 编码器网络 | 第58页 |
| 5.2.2 解码器网络 | 第58-59页 |
| 5.2.3 信息共享策略 | 第59页 |
| 5.3 实验结果与分析 | 第59-62页 |
| 5.4 本章小结 | 第62-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-74页 |
| 攻读硕士期间已发表的论文 | 第74-76页 |
| 致谢 | 第76页 |
