移动机器人室内环境三维建模与目标识别技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题来源 | 第10页 |
| 1.2 研究背景意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-17页 |
| 1.3.1 助老助残机器人发展 | 第11-13页 |
| 1.3.2 移动机器人三维环境建模 | 第13-15页 |
| 1.3.3 三维物体识别 | 第15-17页 |
| 1.4 研究内容 | 第17-19页 |
| 第2章 三维点云地图重建中的点云配准方法研究 | 第19-32页 |
| 2.1 引言 | 第19页 |
| 2.2 SLAM中常用特征介绍 | 第19-21页 |
| 2.3 基于特征点的PnP算法分析 | 第21-22页 |
| 2.4 基于特征点的传统ICP算法研究 | 第22-23页 |
| 2.5 基于特征点的改进ICP算法研究 | 第23-31页 |
| 2.5.1 特征提取与匹配 | 第23-24页 |
| 2.5.2 GPU加速特征提取 | 第24-25页 |
| 2.5.3 点质量评价和特征点筛选 | 第25-27页 |
| 2.5.4 特征点投影到3D空间 | 第27-28页 |
| 2.5.5 三维匹配点剔除误匹配 | 第28-29页 |
| 2.5.6 SVD计算旋转平移矩阵 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 三维稠密点云快速构建算法研究 | 第32-45页 |
| 3.1 引言 | 第32页 |
| 3.2 ElasticFusion算法分析 | 第32-37页 |
| 3.2.1 融合跟踪方法 | 第33-35页 |
| 3.2.2 形变图结构 | 第35-36页 |
| 3.2.3 回环检测与重定位 | 第36-37页 |
| 3.3 ORB-SLAM2算法研究 | 第37-40页 |
| 3.3.1 自动地图初始化 | 第37-38页 |
| 3.3.2 Tracking跟踪 | 第38-39页 |
| 3.3.3 局部建图 | 第39页 |
| 3.3.4 回环检测 | 第39-40页 |
| 3.4 GPU加速稠密点云重建 | 第40-42页 |
| 3.5 三维稠密点云地图的快速构建 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于迁移学习的点云地图目标定位与识别技术 | 第45-64页 |
| 4.1 引言 | 第45页 |
| 4.2 目标定位与识别方法概述 | 第45-47页 |
| 4.3 目标定位算法 | 第47-53页 |
| 4.3.1 坐标系标定 | 第47-48页 |
| 4.3.2 确定参数化ROI平面 | 第48-51页 |
| 4.3.3 参考点遍历算法 | 第51-53页 |
| 4.4 目标点云分割算法 | 第53-58页 |
| 4.4.1 体素单元分析 | 第53-54页 |
| 4.4.2 体素层分析 | 第54-55页 |
| 4.4.3 基于体素的目标分割与定位 | 第55-58页 |
| 4.5 特征提取与分类 | 第58-62页 |
| 4.5.1 目标特征提取 | 第58-60页 |
| 4.5.2 基于迁移学习的目标分类 | 第60-62页 |
| 4.6 本章小结 | 第62-64页 |
| 第5章 三维建模及目标识别技术验证实验 | 第64-82页 |
| 5.1 引言 | 第64页 |
| 5.2 基于特征点的点云配准算法实验 | 第64-72页 |
| 5.2.1 点质量评价和特征点筛选实验 | 第67-68页 |
| 5.2.2 3D空间特征点对剔除误匹配 | 第68-69页 |
| 5.2.3 点云配准实验的误差和算法耗时分析 | 第69-71页 |
| 5.2.4 GPU加速特征匹配实验 | 第71-72页 |
| 5.3 三维稠密点云快速构建实验 | 第72-74页 |
| 5.4 三维点云目标定位与识别实验 | 第74-80页 |
| 5.4.1 点云ROI平面提取实验 | 第75页 |
| 5.4.2 基于体素的目标定位与分割 | 第75-77页 |
| 5.4.3 三维点云投影 | 第77-79页 |
| 5.4.4 基于迁移学习模型的分类训练 | 第79-80页 |
| 5.5 本章小结 | 第80-82页 |
| 结论 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 攻读学位期间发表过的学术论文 | 第88-90页 |
| 致谢 | 第90页 |
