基于姿态预测的虚实融合算法研究与应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 论文的研究内容 | 第12-13页 |
| 1.4 论文主要贡献 | 第13页 |
| 1.5 论文组织结构 | 第13-15页 |
| 第2章 相关研究现状分析 | 第15-23页 |
| 2.1 基于标识物的三维姿态估计方法 | 第15-16页 |
| 2.2 基于自然特征的三维姿态估计方法 | 第16-19页 |
| 2.3 基于传感器融合的三维姿态估计方法 | 第19-21页 |
| 2.4 基于深度学习的相机姿态估计方法 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 静态场景基于SLAM的三维姿态估计方法 | 第23-37页 |
| 3.1 特征提取与匹配 | 第23-29页 |
| 3.1.1 特征提取 | 第23-27页 |
| 3.1.2 特征匹配 | 第27-29页 |
| 3.2 运动姿态估计 | 第29-32页 |
| 3.2.1 对极约束 | 第29-30页 |
| 3.2.2 三角化关键点 | 第30-31页 |
| 3.2.3 光束平差 | 第31-32页 |
| 3.3 虚实融合注册 | 第32-36页 |
| 3.3.1 坐标系变换 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 动态场景下三维姿态估计方法 | 第37-48页 |
| 4.1 卷积神经网络 | 第37-41页 |
| 4.1.1 局部感受野 | 第37-39页 |
| 4.1.2 权值共享 | 第39页 |
| 4.1.3 卷积操作 | 第39-40页 |
| 4.1.4 池化操作 | 第40-41页 |
| 4.2 基于时间序列的长短期记忆网络 | 第41-45页 |
| 4.2.1 循环神经网络 | 第41-42页 |
| 4.2.2 长短期记忆网络 | 第42-45页 |
| 4.3 迁移学习 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 实验结果与分析 | 第48-60页 |
| 5.1 实验方案与环境 | 第48页 |
| 5.2 实验结果与分析 | 第48-58页 |
| 5.2.1 静态场景三维姿态估计实验结果 | 第48-54页 |
| 5.2.2 动态场景三维姿态估计实验结果 | 第54-58页 |
| 5.3 本章小结 | 第58-60页 |
| 第6章 总结与展望 | 第60-61页 |
| 6.1 本文总结 | 第60页 |
| 6.2 本文展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第65-66页 |
| 致谢 | 第66页 |
