| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1 绪论 | 第12-29页 |
| 1.1 课题研究的背景与意义 | 第12-13页 |
| 1.2 同步定位与地图构建研究概述 | 第13-16页 |
| 1.2.1 基于概率的SLAM技术 | 第13-15页 |
| 1.2.2 基于平滑的SLAM技术 | 第15-16页 |
| 1.3 基于RGB-D的SLAM研究综述 | 第16-19页 |
| 1.4 视觉特征检测与描述研究概述 | 第19-26页 |
| 1.4.1 主要检测方法介绍 | 第20-22页 |
| 1.4.2 主要的描述符 | 第22-26页 |
| 1.5 本文的主要研究内容和组织结构 | 第26-29页 |
| 1.5.1 主要研究内容 | 第26-27页 |
| 1.5.2 组织结构 | 第27-29页 |
| 2 Kinect深度摄像机及其深度畸变校正方法 | 第29-49页 |
| 2.1 引言 | 第29页 |
| 2.2 Kinect介绍 | 第29-32页 |
| 2.2.1 Kinect主要组件 | 第29-30页 |
| 2.2.2 Kinect深度成像原理 | 第30-31页 |
| 2.2.3 Kincet的开发工具 | 第31-32页 |
| 2.3 Kincet在计算机视觉处理方面的应用 | 第32-38页 |
| 2.3.1 对象跟踪与识别 | 第33-34页 |
| 2.3.2 人体活动分析 | 第34-35页 |
| 2.3.3 手势分析 | 第35-37页 |
| 2.3.4 室内三维构图 | 第37-38页 |
| 2.4 深度畸变的校正方法 | 第38-47页 |
| 2.4.1 Kinect深度摄像机模型 | 第39-41页 |
| 2.4.2 图像坐标与世界坐标 | 第41-42页 |
| 2.4.3 误差计算 | 第42页 |
| 2.4.4 深度畸变模型 | 第42-43页 |
| 2.4.5 深度畸变下的视差计算 | 第43-44页 |
| 2.4.6 校正的优化模型 | 第44-45页 |
| 2.4.7 算法具体实现 | 第45-46页 |
| 2.4.8 仿真实验部分 | 第46-47页 |
| 2.5 本章小结 | 第47-49页 |
| 3 一种可调节的自适应特征检测方法 | 第49-63页 |
| 3.1 引言 | 第49-50页 |
| 3.2 预处理 | 第50-52页 |
| 3.2.1 阈值与兴趣点选取 | 第50-51页 |
| 3.2.2 尺度空间 | 第51-52页 |
| 3.3 BRISK-AGAST特征检测算法 | 第52-56页 |
| 3.3.1 最大值位置的确定 | 第52-53页 |
| 3.3.2 尺度σ的精确 | 第53-54页 |
| 3.3.3 位置的精确 | 第54-56页 |
| 3.4 BRISK-AGAST算法分析 | 第56-58页 |
| 3.5 可调节的BRISK-AGAST检测器 | 第58-62页 |
| 3.5.1 算法的改进思路 | 第58页 |
| 3.5.2 阈值t与层数o的影响 | 第58-60页 |
| 3.5.3 对比实验分析 | 第60-61页 |
| 3.5.4 检测器检测效果对比 | 第61-62页 |
| 3.6 本章小结 | 第62-63页 |
| 4 融合外观和深度信息的RGB-D图像特征描述符 | 第63-76页 |
| 4.1 引言 | 第63-64页 |
| 4.2 尺度和方向分配 | 第64页 |
| 4.3 相关符号及数学表达 | 第64-65页 |
| 4.4 外观与几何特征融合的方法 | 第65-69页 |
| 4.4.1 EDVD描述符 | 第66-67页 |
| 4.4.2 BRAND描述符 | 第67-69页 |
| 4.5 实验研究 | 第69-74页 |
| 4.5.1 Recall versus 1-precision图 | 第69-70页 |
| 4.5.2 选择二进制操作符 | 第70-71页 |
| 4.5.3 旋转不变性的比较 | 第71-72页 |
| 4.5.4 BRAND与其它描述符的比较 | 第72-73页 |
| 4.5.5 实验效果 | 第73-74页 |
| 4.6 本章小结 | 第74-76页 |
| 5 基于视觉航迹推算和扩展信息滤波的RGB-D SLAM | 第76-96页 |
| 5.1 引言 | 第76-77页 |
| 5.2 VO-EIF SLAM系统框架 | 第77-78页 |
| 5.3 基于扩展信息滤波的SLAM算法简述 | 第78-81页 |
| 5.3.1 预测阶段 | 第79-81页 |
| 5.3.2 测量更新阶段 | 第81页 |
| 5.4 RGB-D特征观测模型 | 第81-86页 |
| 5.4.1 RGB-D观测总体模型 | 第81-83页 |
| 5.4.2 RGB-D观测数据关联模型 | 第83-84页 |
| 5.4.3 基于高斯混合模型的深度不确定性 | 第84-85页 |
| 5.4.4 三维不确定性 | 第85-86页 |
| 5.5 视觉航迹推算 | 第86-92页 |
| 5.5.1 视觉里程计 | 第86-87页 |
| 5.5.2 算法介绍 | 第87-90页 |
| 5.5.3 带权值的运动估计 | 第90-92页 |
| 5.6 实验研究 | 第92-93页 |
| 5.7 本章小结 | 第93-96页 |
| 6 基于二进制特征描述的RGB-D SLAM闭环检测 | 第96-113页 |
| 6.1 引言 | 第96-97页 |
| 6.2 闭环检测问题 | 第97-99页 |
| 6.2.1 闭环检测的概念 | 第97-98页 |
| 6.2.2 同步定位中的闭环检测 | 第98-99页 |
| 6.3 基于局部敏感哈希的特征检索 | 第99-101页 |
| 6.3.1 局部敏感哈希 | 第99-100页 |
| 6.3.2 二进制描述符的哈希表构造 | 第100-101页 |
| 6.4 基于分层聚类树的快速二进制特征搜索 | 第101-105页 |
| 6.4.1 批量式聚类树的构造 | 第101-103页 |
| 6.4.2 增量式聚类树的构造 | 第103-105页 |
| 6.5 基于局部几何约束的多特征点匹配 | 第105-108页 |
| 6.5.1 算法基本思路 | 第105-106页 |
| 6.5.2 基于三维点的位姿估计 | 第106-107页 |
| 6.5.3 多特征点匹配算法实现 | 第107-108页 |
| 6.6 实验与结果 | 第108-109页 |
| 6.7 本章小结 | 第109-113页 |
| 7 总结与展望 | 第113-116页 |
| 7.1 论文工作的成果 | 第113-114页 |
| 7.2 进一步的研究方向 | 第114-116页 |
| 参考文献 | 第116-127页 |
| 攻读学位期间主要的研究成果目录 | 第127-129页 |
| 致谢 | 第129页 |
