基于单目视觉的移动机器人位姿估计研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景和研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于两帧图像的位姿估计方法 | 第12-13页 |
| 1.2.2 基于多帧图像的位姿估计方法 | 第13-14页 |
| 1.3 本文主要研究内容与结构 | 第14-16页 |
| 第2章 摄像机标定及图像特征提取与匹配 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 摄像机模型 | 第16-19页 |
| 2.2.1 摄像机内参数模型 | 第17-18页 |
| 2.2.2 摄像机外参数模型 | 第18-19页 |
| 2.3 摄像机标定 | 第19-20页 |
| 2.3.1 摄像机标定概述 | 第19页 |
| 2.3.2 基于OpenCV的摄像机标定实现 | 第19-20页 |
| 2.4 图像特征提取与匹配 | 第20-22页 |
| 2.4.1 图像特征提取与匹配概述 | 第20-21页 |
| 2.4.2 PCA-SIFT算法实现 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 基于单应矩阵的位姿估计方法 | 第24-40页 |
| 3.1 引言 | 第24-25页 |
| 3.2 移动机器人运动模型 | 第25-28页 |
| 3.3 单应矩阵辨识 | 第28-30页 |
| 3.3.1 射影单应矩阵辨识 | 第28-29页 |
| 3.3.2 欧式单应矩阵与摄像机位姿 | 第29-30页 |
| 3.4 单应矩阵分解 | 第30-35页 |
| 3.5 实验结果 | 第35-39页 |
| 3.5.1 实验平台 | 第35-36页 |
| 3.5.2 实验结果分析 | 第36-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 基于因式分解的SFM位姿估计方法 | 第40-53页 |
| 4.1 引言 | 第40页 |
| 4.2 移动机器人模型 | 第40-41页 |
| 4.3 观测矩阵获取 | 第41-43页 |
| 4.4 观测矩阵分解 | 第43-46页 |
| 4.4.1 传统观测矩阵分解存在的问题 | 第43-44页 |
| 4.4.2 改进型观测矩阵分解步骤 | 第44-46页 |
| 4.4.3 位姿估计结果修正 | 第46页 |
| 4.5 实验结果 | 第46-51页 |
| 4.5.1 实验平台 | 第46-48页 |
| 4.5.2 实验结果分析 | 第48-51页 |
| 4.6 本章小结 | 第51-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间参加的科研项目和成果 | 第61页 |
