| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-18页 |
| 1.2.1 视觉SLAM | 第11-15页 |
| 1.2.2 闭环检测 | 第15-18页 |
| 1.3 动态场景对SLAM算法的影响 | 第18-20页 |
| 1.4 研究内容与章节安排 | 第20-22页 |
| 第二章 视觉SLAM系统 | 第22-38页 |
| 2.1 视觉里程计 | 第23-28页 |
| 2.1.1 局部特征描述方法 | 第23-27页 |
| 2.1.2 随机采样一致性(RANSAC)算法 | 第27-28页 |
| 2.2 系统初始化 | 第28-34页 |
| 2.2.1 摄像机初始化 | 第28-33页 |
| 2.2.2 3D-2D特征匹配、 | 第33-34页 |
| 2.3 后端优化算法 | 第34-37页 |
| 2.3.1 梯度下降法 | 第34-35页 |
| 2.3.2 高斯牛顿法 | 第35-36页 |
| 2.3.3 LM算法 | 第36-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第三章 针对室内动态场景的闭环检测优化 | 第38-49页 |
| 3.1 基于BoVW的场景描述方法 | 第39-40页 |
| 3.2 基于内存优化的实时闭环检测 | 第40-43页 |
| 3.2.1 场景区域图像创建 | 第41-42页 |
| 3.2.2 贝叶斯滤波器 | 第42-43页 |
| 3.2.3 内存优化 | 第43页 |
| 3.3 动态场景下的闭环检测优化 | 第43-47页 |
| 3.3.1 动态物体出现对场景的影响干扰分析 | 第43-45页 |
| 3.3.2 动态干扰特征的去除 | 第45-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第四章 基于深度学习的室内动态场景建图优化算法 | 第49-55页 |
| 4.1 基于MASK-RCNN的图像分割技术 | 第50-51页 |
| 4.2 基于多视图几何的位姿解算优化 | 第51-52页 |
| 4.3 多视图几何的位姿和深度学习融合的运动物体分割算法 | 第52-53页 |
| 4.4 背景修复算法 | 第53-54页 |
| 4.5 三维重建算法 | 第54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 实验与验证 | 第55-68页 |
| 5.1 针对室内动态场景的闭环检测算法验证 | 第55-61页 |
| 5.1.1 搭建闭环检测算法实验平台 | 第55-56页 |
| 5.1.2 去除错误特征的有效性 | 第56-57页 |
| 5.1.3 闭环检测的准确性 | 第57-58页 |
| 5.1.4 动态场景闭环检测算法精度验证 | 第58-61页 |
| 5.2 针对室内动态场景的SLAM优化算法验证 | 第61-67页 |
| 5.2.1 搭建基于深度学习优化的建图算法验证平台 | 第61页 |
| 5.2.2 动态物体分割结果 | 第61页 |
| 5.2.3 前端特征提取 | 第61-62页 |
| 5.2.4 图像修复结果 | 第62页 |
| 5.2.5 动态环境下的高精度三维点云重建 | 第62-66页 |
| 5.2.6 轨迹精度对比分析 | 第66-67页 |
| 5.3 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 论文总结 | 第68页 |
| 6.2 研究展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75-76页 |
| 攻读学位期间取得的研究成果 | 第76页 |