基于光场的景深实时计算
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和应用 | 第10-11页 |
| 1.2 国内外研究概况 | 第11-15页 |
| 1.2.1 立体视觉技术路线 | 第11-13页 |
| 1.2.2 神经网络技术路线 | 第13-14页 |
| 1.2.3 立体视觉与神经网络的结合路线 | 第14-15页 |
| 1.3 课题内容及论文结构 | 第15-18页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 章节安排 | 第15-18页 |
| 第二章 光场理论 | 第18-26页 |
| 2.1 光场的定义及光场渲染 | 第18-20页 |
| 2.1.1 光场的定义 | 第18-19页 |
| 2.1.2 光场渲染理论 | 第19-20页 |
| 2.2 光场的参数化表示 | 第20-22页 |
| 2.2.1 四维光场三种参数化表示 | 第20-21页 |
| 2.2.2 传统成像系统的光场参数化表示 | 第21页 |
| 2.2.3 光场相机的四维参数化表示 | 第21-22页 |
| 2.3 光场的获取方式 | 第22-24页 |
| 2.3.1 微透镜阵列 | 第22-23页 |
| 2.3.2 相机阵列 | 第23页 |
| 2.3.3 掩膜及其他 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 立体视觉系统 | 第26-39页 |
| 3.1 立体视觉系统的组成 | 第26-27页 |
| 3.2 立体相机系统原理 | 第27-34页 |
| 3.2.1 相机模型 | 第27-28页 |
| 3.2.2 坐标系统及其转换关系 | 第28-31页 |
| 3.2.3 立体相机标定 | 第31-34页 |
| 3.3 立体匹配相关理论和算法 | 第34-37页 |
| 3.3.1 立体匹配基本原理 | 第34-36页 |
| 3.3.2 立体匹配算法基本流程 | 第36-37页 |
| 3.3.3 立体匹配评价标准 | 第37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于GPU的景深实时计算算法 | 第39-57页 |
| 4.1 GPU通用计算 | 第39-41页 |
| 4.1.1 GPU通用计算的定义和发展历程 | 第39-40页 |
| 4.1.2 GPU通用计算的革命——CUDA | 第40-41页 |
| 4.2 CUDA架构概述 | 第41-45页 |
| 4.2.1 CUDA软件模型 | 第41-42页 |
| 4.2.2 CUDA硬件模型 | 第42-45页 |
| 4.3 基于CUDA的立体视觉算法 | 第45-53页 |
| 4.3.1 立体匹配算法CUDA实现基本思想 | 第45页 |
| 4.3.2 基于CUDA架构GPU实现 | 第45-46页 |
| 4.3.3 景深实时计算立体匹配算法框架 | 第46-51页 |
| 4.3.4 实验结果及分析 | 第51-53页 |
| 4.4 场景的三维重建 | 第53-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-60页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 作者简介 | 第65页 |
