| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究的背景和意义 | 第10页 |
| 1.2 虚拟实验及增强现实技术研究现状 | 第10-16页 |
| 1.2.1 虚拟实验研究与发展现状 | 第10-12页 |
| 1.2.2 AR 技术及其在虚拟仿真实验中的研究现状 | 第12-16页 |
| 1.3 本课题研究的主要内容 | 第16-17页 |
| 1.3.1 课题来源 | 第16页 |
| 1.3.2 课题研究内容 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-19页 |
| 第2章 基于增强现实技术的虚拟实验概述 | 第19-31页 |
| 2.1 AR 虚拟实验工程框架 | 第19-21页 |
| 2.2 并行跟踪运行模式 | 第21-22页 |
| 2.3 计算机视觉技术 | 第22-28页 |
| 2.3.1 FAST 特征检测与提取算法 | 第22-24页 |
| 2.3.2 图像金字塔化 | 第24-26页 |
| 2.3.3 基于半朴素贝叶斯思想的图像分类算法 | 第26-28页 |
| 2.4 三维重建技术 | 第28-29页 |
| 2.5 3D 图形开发工具 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 面向 AR 虚拟实验的目标跟踪技术 | 第31-43页 |
| 3.1 随机蕨算法工作原理 | 第31-35页 |
| 3.1.1 获取训练数据集 | 第31-33页 |
| 3.1.2 离线训练特征库 | 第33-35页 |
| 3.1.3 在线特征识别与匹配 | 第35页 |
| 3.2 图片分类与跟踪组件的设计与实现 | 第35-38页 |
| 3.2.1 引入灰度重心概念 | 第35-36页 |
| 3.2.2 基于方向信息的优化随机蕨 | 第36-38页 |
| 3.3 实验结果与分析 | 第38-41页 |
| 3.3.1 目标图像分类与跟踪组件运行效果 | 第38页 |
| 3.3.2 识别率评估 | 第38-41页 |
| 3.3.3 特征库体积比较 | 第41页 |
| 3.3.4 运行时间测试 | 第41页 |
| 3.4 本章小结 | 第41-43页 |
| 第4章 融合三维重建技术的 AR 虚拟实验设计 | 第43-52页 |
| 4.1 PTAM 算法简介 | 第43-45页 |
| 4.2 基于 PTAM 技术的 AR 虚拟实验 | 第45-51页 |
| 4.2.1 相机校正模块 | 第45-46页 |
| 4.2.2 PTAM 主体 | 第46-49页 |
| 4.2.3 并行跟踪与绘制下的自然人机交互 | 第49-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第5章 AR 虚拟光学实验的评测与优化 | 第52-58页 |
| 5.1 可自然人机交互的 AR 虚拟光学实验 | 第52-55页 |
| 5.2 性能评测与优化 | 第55-57页 |
| 5.3 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的学术论文 | 第63-64页 |
| 致谢 | 第64页 |