声明
第一章 绪论
1.1 研究背景与意义
1.2 基于特征识别的变形测量技术
1.2.1 特征识别
1.2.2 相机标定
1.2.3 表面变形测量
1.3 研究内容及章节安排
第二章 特征识别与基于显著特征的位移估计
2.1 引言
2.2 图像子区特征匹配
2.2.1 图像子区表示
2.2.2 图像子区识别
2.2.3 亚像素优化匹配
2.3 图像特征检测
2.3.1 单尺度图像特征检测
2.3.2 多尺度图像特征检测
2.4 显著特征导向的位移测量及位移场优化
2.4.1 显著特征导向的位移测量
2.4.2 基于域变换的位移场优化
2.5 本章小结
第三章 基于场景特征的立体视觉变形测量系统自动标定与外参矫正
3.1 引言
3.2 相关概念简介
3.3 相机内参标定
3.3.1 算法实现
3.3.2 实验验证
3.4 立体视觉变形测量系统自动标定
3.4.1 深度及逆深度参数化
3.4.2 几何光束调整法
3.4.3 基于无约束场景的立体视觉系统标定方法
3.4.4 非线性优化方法
3.4.5 实验验证
3.5 快速外参矫正
3.5.1 可行性分析
3.5.2 外参矫正方法
3.5.3 实验验证
3.6 关于系统自动标定的讨论
3.7 本章小结
第四章 用于三维变形测量的反向组合相关束调整及相机姿态估计
4.1 引言
4.2 反向组合相关束调整
4.2.1 算法原理
4.2.2 线性化及初值估计
4.2.3 实现细节
4.3 相机姿态估计
4.3.1 问题分析
4.3.2 姿态估计
4.3.3 实验验证
4.4 单镜头三维变形测量系统的实时深度估计
4.4.1 系统结构分析
4.4.2 实时深度估计
4.4.3 实验验证
4.5 本章小结
第五章 可学习的变形图像特征识别
5.1 引言
5.2 深度学习基础
5.2.1 神经网络结构
5.2.2 卷积神经网络
5.3 专业监督学习及数据集构建
5.4 变形特征识别网络
5.4.1 IDMNet
5.4.2 模型测试
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
6.2.1 反向组合相关束调整正则化
6.2.2 IMU增强的反向组合相关束调整
6.2.3 IDMNet网络结构优化及数据集完善
6.2.4 可学习三维变形识别模型
参考文献
致谢
附录
东南大学;
