| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 引言 | 第13-23页 |
| 1.1 研究背景及意义 | 第13-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 地图与地图间的匹配方法 | 第16页 |
| 1.2.2 图像与地图间的匹配方法 | 第16-17页 |
| 1.2.3 基于外观的方法 | 第17-18页 |
| 1.2.4 基于学习的方法 | 第18页 |
| 1.3 本文主要研究内容 | 第18-23页 |
| 第2章 视觉位置识别理论原理及相关技术 | 第23-31页 |
| 2.1 vSLAM的主要研究内容 | 第23-25页 |
| 2.1.1 传感器与SLAM的实现方式 | 第23-24页 |
| 2.1.2 视觉SLAM系统流程 | 第24-25页 |
| 2.2 视觉位置识别相关理论 | 第25-28页 |
| 2.2.1 机器人中的位置概念 | 第25-26页 |
| 2.2.2 位置描述 | 第26-27页 |
| 2.2.3 位置识别 | 第27-28页 |
| 2.3 卷积神经网络相关理论技术 | 第28-30页 |
| 2.3.1 卷积神经网络概述 | 第28-29页 |
| 2.3.2 卷积神经网络的经典网络结构 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于CNN特征的长期大规模场景中的视觉位置识别方法 | 第31-43页 |
| 3.1 视觉位置识别CNN模型研究 | 第31-34页 |
| 3.1.1 Places数据集及场景识别 | 第31-32页 |
| 3.1.2 VGG16-Places365网络 | 第32-34页 |
| 3.2 视觉位置描述 | 第34-36页 |
| 3.2.1 单层特征描述 | 第34-35页 |
| 3.2.2 多层特征融合描述 | 第35-36页 |
| 3.3 位置匹配识别 | 第36-41页 |
| 3.3.1 单帧图像匹配位置 | 第36-39页 |
| 3.3.2 序列图像匹配位置 | 第39-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第4章 实验设计与结果分析 | 第43-57页 |
| 4.1 实验环境 | 第43页 |
| 4.2 视觉位置识别公开数据集 | 第43-45页 |
| 4.2.1 CityCenter数据集 | 第43-44页 |
| 4.2.2 Nordland数据集 | 第44-45页 |
| 4.2.3 CMU-CVG Visual Localization数据集 | 第45页 |
| 4.3 开源视觉位置识别算法框架 | 第45-47页 |
| 4.4 评价指标 | 第47-48页 |
| 4.5 实验结果及分析 | 第48-56页 |
| 4.5.1 CityCenter数据集 | 第48-50页 |
| 4.5.2 Nordland数据集 | 第50-53页 |
| 4.5.3 CMU-CVG Visual Localization数据集 | 第53-56页 |
| 4.6 算法评价 | 第56页 |
| 4.7 本章小结 | 第56-57页 |
| 第5章 结论与展望 | 第57-59页 |
| 5.1 本文主要工作 | 第57页 |
| 5.2 研究展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第65页 |
