| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源与研究背景及意义 | 第9-10页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究水平与现状 | 第10-15页 |
| 1.2.1 基于图像序列的三维重建技术国内外发展现状 | 第10-11页 |
| 1.2.2 基于激光雷达的三维重建技术国内外发展现状 | 第11-13页 |
| 1.2.3 基于深度学习的图像目标识别国内外发展现状 | 第13-15页 |
| 1.3 本论文研究内容与结构 | 第15-17页 |
| 第2章 空间非合作目标激光三维重建技术研究 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 激光雷达设备工作原理 | 第17-20页 |
| 2.2.1 激光雷达扫描原理 | 第17-19页 |
| 2.2.2 Velodyne HDL-64E2型激光雷达分析 | 第19-20页 |
| 2.3 基于激光雷达的三维重建技术 | 第20-24页 |
| 2.3.1 三维模型数据的获取 | 第21页 |
| 2.3.2 三维点云数据的配准拼接 | 第21-22页 |
| 2.3.3 三维网格模型的构造 | 第22-23页 |
| 2.3.4 三维模型的可视化纹理映射 | 第23-24页 |
| 2.4 仿真实验与分析 | 第24-28页 |
| 2.4.1 激光扫描过程仿真 | 第24-26页 |
| 2.4.2 激光三维重建仿真 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 图像品质参数确定与智能优选方法研究 | 第29-39页 |
| 3.1 引言 | 第29页 |
| 3.2 基于DWT的图像清晰度确定与分析 | 第29-33页 |
| 3.3 基于空域统计的纹理丰富度确定与分析 | 第33-35页 |
| 3.4 曝光程度确定与分析 | 第35-36页 |
| 3.5 基于BP神经网络的图像筛选方法 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 基于空间目标的图像智能识别算法研究 | 第39-47页 |
| 4.1 引言 | 第39页 |
| 4.2 基于卷积神经网络的caffe深度学习框架 | 第39-42页 |
| 4.2.1 前馈卷积神经网络(CNN)模型 | 第39-41页 |
| 4.2.2 caffe深度学习框架 | 第41-42页 |
| 4.3 基于Faster RCNN的图像识别神经网络架构设计 | 第42-44页 |
| 4.3.1 算法流程 | 第42页 |
| 4.3.2 特征提取网络 | 第42-43页 |
| 4.3.3 RPN结构 | 第43-44页 |
| 4.4 图像识别实验与结果分析 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 基于可见光/激光多模融合的三维重建技术 | 第47-57页 |
| 5.1 引言 | 第47-48页 |
| 5.2 基于ICP的激光与可见光采样点云融合方法 | 第48-51页 |
| 5.2.1 求取法向量与法向量夹角 | 第48-49页 |
| 5.2.2 曲率与曲率变化 | 第49-50页 |
| 5.2.3 粗略配准 | 第50页 |
| 5.2.4 基于加权ICP的精确配准 | 第50-51页 |
| 5.3 多模融合仿真实验验证 | 第51-52页 |
| 5.4 多模融合的尺度误差分析 | 第52-56页 |
| 5.4.1 误差评估方法 | 第52-53页 |
| 5.4.2 误差分析实验 | 第53-56页 |
| 5.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读学位期间发表的学术论文 | 第63-65页 |
| 致谢 | 第65-66页 |
