| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 引言 | 第10-12页 |
| 1 绪论 | 第12-18页 |
| 1.1 基于无人机视觉SLAM的研究背景和意义 | 第12-13页 |
| 1.2 SLAM技术发展历史以及研究现状 | 第13-15页 |
| 1.3 基于单目视觉传感器的SLAM技术概述 | 第15-16页 |
| 1.3.1 图像采集和视觉里程计 | 第15页 |
| 1.3.2 SLAM技术优化算法 | 第15页 |
| 1.3.3 环境地图构建 | 第15页 |
| 1.3.4 闭环检测 | 第15-16页 |
| 1.4 本文研究工作和内容安排 | 第16-18页 |
| 1.4.1 本文研究工作 | 第16-17页 |
| 1.4.2 论文内容安排 | 第17-18页 |
| 2 SLAM技术基本理论与系统模型 | 第18-47页 |
| 2.1 基于贝叶斯滤波的SLAM技术 | 第18-21页 |
| 2.1.1 贝叶斯滤波基本理论 | 第18-20页 |
| 2.1.2 将贝叶斯滤波算法应用于SLAM技术 | 第20-21页 |
| 2.2 基于EKF的SLAM技术 | 第21-32页 |
| 2.2.1 扩展卡尔曼滤波（EKF）基本理论 | 第21-27页 |
| 2.2.2 将扩展卡尔曼滤波应用于SLAM技术 | 第27-32页 |
| 2.3 基于SEIF的SLAM技术 | 第32-37页 |
| 2.3.1 信息滤波基本理论 | 第32-33页 |
| 2.3.2 将信息滤波应用于SLAM技术 | 第33-37页 |
| 2.4 基于无人机视觉SLAM系统模型的建立 | 第37-47页 |
| 2.4.1 基于无人机视觉SLAM系统的前端模型 | 第37-45页 |
| 2.4.2 基于无人机视觉SLAM系统的后端优化方程的建立 | 第45-47页 |
| 2.4.3 本章小结 | 第47页 |
| 3 视觉SLAM技术图像特征点的提取方法 | 第47-71页 |
| 3.1 图像特征点提取算法的基本原理 | 第47-63页 |
| 3.1.1 SIFT算法基本原理 | 第47-54页 |
| 3.1.2 SURF算法基本原理 | 第54-58页 |
| 3.1.3 ORB算法基本原理 | 第58-63页 |
| 3.2 通过实验对图像特征点提取算法进行比较 | 第63-69页 |
| 3.2.1 基于SIFT算法的图像特征提取和匹配 | 第63-65页 |
| 3.2.2 基于SURF算法的图像特征提取和匹配 | 第65-67页 |
| 3.2.3 基于ORB算法的图像特征提取与匹配 | 第67-69页 |
| 3.3 地图特征点的初始化 | 第69-71页 |
| 3.4 本章小结 | 第71页 |
| 4 同时定位与地图构建技术的研究 | 第71-81页 |
| 4.1 基于熵规则的SEIF SLAM技术的研究 | 第72-76页 |
| 4.1.1 信息熵特性 | 第72-73页 |
| 4.1.2 改进稀疏规则 | 第73-76页 |
| 4.2 基于状态均值恢复的SEIF SLAM技术的研究 | 第76-81页 |
| 4.2.1 三对角矩阵求逆算法 | 第76-81页 |
| 4.3 本章小结 | 第81页 |
| 5 改进SEIF SLAM算法的仿真及分析 | 第81-88页 |
| 5.1 基于改进的熵规则的SEIF SLAM技术的实验结果及分析 | 第84-86页 |
| 5.2 基于状态均值恢复的SEIF SLAM技术的实验结果及分析 | 第86-88页 |
| 6 总结与展望 | 第88-91页 |
| 6.1 本文工作总结 | 第88-89页 |
| 6.2 未来工作展望 | 第89-91页 |
| 参考文献 | 第91-94页 |
| 在学研究成果 | 第94-95页 |
| 致谢 | 第95页 |
