移动机器人视觉SLAM闭环检测算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 闭环检测的研究现状 | 第11-12页 |
| 1.3 闭环检测的关键问题 | 第12页 |
| 1.4 文章主要内容及结构 | 第12-14页 |
| 第2章 闭环检测基础理论介绍 | 第14-22页 |
| 2.1 SLAM基础理论 | 第14-15页 |
| 2.2 场景图像描述 | 第15-21页 |
| 2.2.1 Harris算子 | 第15-16页 |
| 2.2.2 SIFT算子 | 第16-19页 |
| 2.2.3 SURF算子 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第3章 基于多特征分层次的图像匹配算法研究 | 第22-35页 |
| 3.1 引言 | 第22页 |
| 3.2 改进SURF算法 | 第22-26页 |
| 3.2.1 Krawtchouk矩不变量的构造 | 第22-25页 |
| 3.2.2 特征点描述 | 第25-26页 |
| 3.2.3 特征向量匹配 | 第26页 |
| 3.3 多特征分层次的图像匹配算法 | 第26-29页 |
| 3.3.1 颜色特征提取 | 第26-27页 |
| 3.3.2 颜色特征匹配 | 第27-28页 |
| 3.3.3 多特征分层次匹配算法 | 第28-29页 |
| 3.4 实验结果与分析 | 第29-34页 |
| 3.4.1 图像特征匹配实验 | 第29-32页 |
| 3.4.2 改进SURF的性能比较 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于改进BoVW算法的研究 | 第35-47页 |
| 4.1 引言 | 第35-36页 |
| 4.2 BoVW模型描述 | 第36-37页 |
| 4.3 改进的BoVW算法 | 第37-42页 |
| 4.3.1 基于指导滤波的BoVW模型去雾预处理 | 第37-39页 |
| 4.3.2 基于改进的聚类算法构建视觉单词树 | 第39-40页 |
| 4.3.3 基于信息熵的图像相似性度量 | 第40-42页 |
| 4.4 实验研究及分析 | 第42-45页 |
| 4.4.1 提取的特征点对比 | 第42-43页 |
| 4.4.2 聚类效果对比 | 第43-44页 |
| 4.4.3 图像分类的效果对比 | 第44-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第5章 基于后验处理的闭环检测算法研究 | 第47-58页 |
| 5.1 引言 | 第47页 |
| 5.2 闭环检测算法 | 第47-49页 |
| 5.3 改进的闭环检测算法 | 第49-54页 |
| 5.3.1 视觉单词树的创建和描述 | 第49-50页 |
| 5.3.2 基于改进的TF-IDF熵的构造 | 第50-51页 |
| 5.3.3 基于加权TF-IDF熵的得分匹配方法 | 第51-52页 |
| 5.3.4 基于后验处理的闭环检测方法 | 第52-54页 |
| 5.4 实验研究及分析 | 第54-57页 |
| 5.5 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第64-65页 |
| 致谢 | 第65页 |
