基于随机森林的机载激光雷达点云数据分类研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景 | 第14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 主要研究内容和论文结构 | 第16-18页 |
| 第二章 理论基础 | 第18-30页 |
| 2.1 常用的点云分割算法 | 第18-24页 |
| 2.1.1 三维霍夫变换 | 第18-21页 |
| 2.1.2 随机采样一致性算法 | 第21-22页 |
| 2.1.3 区域增长算法 | 第22-24页 |
| 2.1.4 欧氏聚类算法 | 第24页 |
| 2.2 随机森林 | 第24-28页 |
| 2.2.1 随机森林的基本原理 | 第25-27页 |
| 2.2.2 随机森林的分类过程 | 第27页 |
| 2.2.3 随机森林的优缺点 | 第27-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 逐步点云分割方法 | 第30-38页 |
| 3.1 分割方法的基本思路 | 第30-31页 |
| 3.2 小平面分割 | 第31-33页 |
| 3.2.1 局部区域 | 第32页 |
| 3.2.2 基于RANSAC算法的平面检测 | 第32-33页 |
| 3.3 基于小平面的区域增长 | 第33-35页 |
| 3.4 粗糙表面分割 | 第35-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 点云分类方法 | 第38-46页 |
| 4.1 分类方法的基本思路 | 第38页 |
| 4.2 基于随机森林的点云分类 | 第38-42页 |
| 4.2.1 基于分割段的特征 | 第38-41页 |
| 4.2.2 基于随机森林的特征选择和分类 | 第41-42页 |
| 4.3 分类结果的优化 | 第42-45页 |
| 4.3.2 带条件的欧氏聚类算法 | 第43-44页 |
| 4.3.3 对象的语义规则 | 第44-45页 |
| 4.3.4 k最近邻算法 | 第45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 实验结果和分析 | 第46-60页 |
| 5.1 实验环境 | 第46页 |
| 5.2 测试数据集和评估标准 | 第46-49页 |
| 5.2.1 测试数据集 | 第46-48页 |
| 5.2.2 评估标准 | 第48-49页 |
| 5.3 点云数据的分割结果 | 第49-53页 |
| 5.4 特征选择和点云分类 | 第53-56页 |
| 5.4.1 基于随机森林的特征选择 | 第53-55页 |
| 5.4.2 点云数据的分类结果 | 第55页 |
| 5.4.3 点云分类方法的鲁棒性 | 第55-56页 |
| 5.5 优化后的分类结果 | 第56-58页 |
| 5.6 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |
