基于自学习的深度数据恢复
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 创新点 | 第12-13页 |
| 1.4 主要研究内容 | 第13-14页 |
| 1.5 小结 | 第14-15页 |
| 2 深度成像技术 | 第15-25页 |
| 2.1 深度成像技术发展现状 | 第15-19页 |
| 2.1.1 结构光技术 | 第16-17页 |
| 2.1.2 激光雷达测距 | 第17-18页 |
| 2.1.3 莫尔条纹技术 | 第18页 |
| 2.1.4 坐标测量机技术 | 第18页 |
| 2.1.5 立体视觉技术 | 第18-19页 |
| 2.2 Kinect简介 | 第19-24页 |
| 2.2.1 研究现状 | 第20页 |
| 2.2.2 Kinect硬件配置 | 第20-21页 |
| 2.2.3 Kinect的工作原理 | 第21-22页 |
| 2.2.4 深度数据缺失的原因 | 第22-23页 |
| 2.2.5 运行环境 | 第23-24页 |
| 2.3 小结 | 第24-25页 |
| 3 Kinect彩色图像与深度图像的配准 | 第25-30页 |
| 3.1 研究现状 | 第25-26页 |
| 3.2 校准方法 | 第26-27页 |
| 3.3 校准过程 | 第27-29页 |
| 3.4 小结 | 第29-30页 |
| 4 自我学习的回归算法 | 第30-41页 |
| 4.1 深度场景的粗略估计 | 第30-33页 |
| 4.1.1 研究背景 | 第30-31页 |
| 4.1.2 算法描述 | 第31页 |
| 4.1.3 马尔可夫随机场模型 | 第31-32页 |
| 4.1.4 空间平面参数化 | 第32-33页 |
| 4.2 自我学习式的回归算法 | 第33-40页 |
| 4.2.1 自我学习算法 | 第35-37页 |
| 4.2.2 随机森林回归 | 第37-38页 |
| 4.2.3 自我学习的回归模型 | 第38-40页 |
| 4.3 小结 | 第40-41页 |
| 5 深度数据恢复实验 | 第41-54页 |
| 5.1 获取被测场景的粗略估计 | 第41-42页 |
| 5.2 实验使用的数据集 | 第42-44页 |
| 5.3 实验结果 | 第44-52页 |
| 5.4 三维点云显示 | 第52-53页 |
| 5.5 小结 | 第53-54页 |
| 6 总结与展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 个人简历 | 第59页 |
