| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 基于视觉的移动机器人定位研究现状 | 第10-13页 |
| 1.3 移动机器人定位算法研究 | 第13-14页 |
| 1.4 课题来源及章节安排 | 第14-16页 |
| 第2章 基于视觉的机器人平台系统模型 | 第16-27页 |
| 2.1 移动机器人系统组成 | 第16-17页 |
| 2.2 视觉系统的基本理论 | 第17-19页 |
| 2.2.1 摄像机内外参数模型 | 第17-18页 |
| 2.2.2 传感器的分类 | 第18-19页 |
| 2.3 摄像机标定方法 | 第19-20页 |
| 2.3.1 标定方法分类 | 第19-20页 |
| 2.3.2 主要标定算法 | 第20页 |
| 2.4 特征点检测算法 | 第20-21页 |
| 2.5 SURF特征算法 | 第21-26页 |
| 2.5.1 SURF尺度空间构建 | 第21-22页 |
| 2.5.2 积分图像 | 第22-24页 |
| 2.5.3 关键点检测 | 第24-25页 |
| 2.5.4 关键点方向分配 | 第25-26页 |
| 2.5.5 SURF特征向量的生成 | 第26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 图像局部特征提取与匹配 | 第27-37页 |
| 3.1 引言 | 第27页 |
| 3.2 改进离散Gaussian-Hermite矩 | 第27-29页 |
| 3.2.1 离散Gaussian-Hermite矩 | 第27-28页 |
| 3.2.2 改进离散Gaussian-Hermite矩检测图像局部特征 | 第28-29页 |
| 3.3 改进SURF算法 | 第29-33页 |
| 3.3.1 基于双树复小波变换的特征图像预处理 | 第30-31页 |
| 3.3.2 基于MDGHM的特征点检测 | 第31页 |
| 3.3.3 基于MDGHM的特征向量描述 | 第31-32页 |
| 3.3.4 特征点匹配 | 第32-33页 |
| 3.4 仿真实验分析 | 第33-36页 |
| 3.4.1 主观视觉特征匹配对比 | 第33-34页 |
| 3.4.2 多种算法特征点匹配率对比 | 第34-36页 |
| 3.4.3 特征匹配综合性能对比 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于向量点积及PROSAC算法研究 | 第37-45页 |
| 4.1 引言 | 第37页 |
| 4.2 基于向量点积相似度的特征匹配 | 第37-40页 |
| 4.3 基于PROSAC算法剔除误匹配 | 第40-41页 |
| 4.4 仿真实验分析 | 第41-44页 |
| 4.4.1 多种变换条件下误匹配点剔除前后匹配图 | 第41-42页 |
| 4.4.2 误匹配点剔除前后匹配率对比 | 第42-44页 |
| 4.4.3 算法综合性能对比 | 第44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 基于自适应粒子滤波的移动机器人定位研究 | 第45-56页 |
| 5.1 引言 | 第45-46页 |
| 5.2 基于概率的机器人定位算法 | 第46-49页 |
| 5.2.1 状态空间模型 | 第46页 |
| 5.2.2 贝叶斯滤波原理 | 第46-47页 |
| 5.2.3 基于贝叶斯滤波的定位算法 | 第47-49页 |
| 5.3 改进自适应粒子滤波的机器人定位 | 第49-53页 |
| 5.3.1 贝叶斯重要性采样 | 第49-50页 |
| 5.3.2 序贯重要性采样 | 第50-51页 |
| 5.3.3 重要性函数选择 | 第51页 |
| 5.3.4 基于特征相似度改进粒子集自适应重采样 | 第51-53页 |
| 5.4 仿真实验分析 | 第53-55页 |
| 5.4.1 图像数据库建立 | 第53-54页 |
| 5.4.2 特征相似度计算 | 第54-55页 |
| 5.5 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第63-64页 |
| 致谢 | 第64页 |
