基于深度学习和传统视觉SLAM融合的单目视觉LSLAM
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景与研究意义 | 第9-11页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 研究背景与意义 | 第9-11页 |
| 1.2 研究现状概述 | 第11-14页 |
| 1.2.1 传统视觉SLAM研究现状 | 第11-13页 |
| 1.2.2 基于深度学习的SLAM研究现状 | 第13-14页 |
| 1.3 SLAM技术应用领域 | 第14-17页 |
| 1.4 论文主要研究内容及组织结构 | 第17-19页 |
| 2 单目视觉SLAM算法 | 第19-35页 |
| 2.1 引言 | 第19页 |
| 2.2 SLAM问题的数学模型 | 第19-21页 |
| 2.3 单目视觉SLAM算法总体框架 | 第21页 |
| 2.4 特征提取与匹配 | 第21-27页 |
| 2.4.1 特征提取 | 第21-25页 |
| 2.4.2 特征匹配 | 第25-27页 |
| 2.5 视觉里程计 | 第27-31页 |
| 2.5.1 摄像机模型 | 第27-28页 |
| 2.5.2 运动姿态估计 | 第28-31页 |
| 2.6 地图优化 | 第31-34页 |
| 2.7 本章小结 | 第34-35页 |
| 3 基于深度学习的场景深度预测 | 第35-41页 |
| 3.1 引言 | 第35页 |
| 3.2 深度卷积神经网络设计原理 | 第35-37页 |
| 3.2.1 卷积神经网络的生物学依据 | 第35-36页 |
| 3.2.2 卷积神经网络的结构设计 | 第36-37页 |
| 3.3 场景深度估计 | 第37-40页 |
| 3.3.1 单张图像深度恢复 | 第37-39页 |
| 3.3.2 图像对深度恢复 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 LSLAM算法的设计与实现 | 第41-55页 |
| 4.1 LSLAM算法总体框架 | 第41页 |
| 4.2 场景深度预测CNN | 第41-43页 |
| 4.3 系统初始化 | 第43-46页 |
| 4.4 相机运动估计 | 第46-52页 |
| 4.5 关键帧的初始化与优化 | 第52-54页 |
| 4.6 本章小结 | 第54-55页 |
| 5 实验设计与分析 | 第55-69页 |
| 5.1 硬件平台 | 第55-57页 |
| 5.2 软件平台 | 第57-58页 |
| 5.3 实验与分析 | 第58-68页 |
| 5.3.1 性能评价标准 | 第58页 |
| 5.3.2实验1 | 第58-61页 |
| 5.3.3实验2 | 第61-63页 |
| 5.3.4实验3 | 第63-65页 |
| 5.3.5实验4 | 第65-68页 |
| 5.4 本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 附录 | 第79页 |
| A.作者在攻读学位期间发表的论文目录 | 第79页 |
| B.作者在攻读学位期间取得的科研成果目录 | 第79页 |
