车载移动测量系统数据配准与分类识别关键技术研究
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 目录 | 第10-13页 |
| 第1章 绪论 | 第13-26页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-21页 |
| 1.2.1 国内外主要的车载移动测量系统 | 第14-15页 |
| 1.2.2 光学影像与激光点云配准的研究现状 | 第15-18页 |
| 1.2.3 车载激光点云数据分类识别研究现状 | 第18-21页 |
| 1.3 研究目标与内容 | 第21-24页 |
| 1.3.1 研究目标 | 第21-22页 |
| 1.3.2 主要研究内容 | 第22-23页 |
| 1.3.3 技术路线 | 第23-24页 |
| 1.4 论文组织结构 | 第24-26页 |
| 第2章 相关基本原理 | 第26-37页 |
| 2.1 车载移动测量系统的工作原理 | 第26-28页 |
| 2.1.1 车载移动测量系统的组成, | 第26-28页 |
| 2.1.2 车载移动测量系统的数据流转 | 第28页 |
| 2.2 鱼眼镜头成像原理 | 第28-33页 |
| 2.2.1 鱼眼镜头成像的光学基础 | 第29-30页 |
| 2.2.2 鱼眼镜头的成像过程 | 第30页 |
| 2.2.3 鱼眼图像的变形特征 | 第30-33页 |
| 2.3 激光扫描仪原理 | 第33-36页 |
| 2.3.1 激光扫描仪的工作原理 | 第33-34页 |
| 2.3.2 激光扫描仪的测距方式 | 第34-35页 |
| 2.3.3 激光扫描仪的空间坐标系 | 第35-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第3章 全景影像与激光点云的数据配准 | 第37-59页 |
| 3.1 投影回归思想生成 | 第37-39页 |
| 3.1.1 投影回归的概念模型 | 第37-38页 |
| 3.1.2 投影回归的过程 | 第38-39页 |
| 3.2 投影回归方法的数学证明 | 第39-42页 |
| 3.3 基于投影回归原理的配准实验 | 第42-57页 |
| 3.3.1 虚拟投影球面构建 | 第42页 |
| 3.3.2 光学影像的处理及回归 | 第42-50页 |
| 3.3.2.1 鱼眼图像获取 | 第42-43页 |
| 3.3.2.2 圆形轮廓线提取 | 第43-44页 |
| 3.3.2.3 鱼眼图像纠正 | 第44-48页 |
| 3.3.2.4 图像配准与拼接 | 第48-50页 |
| 3.3.2.5 经纬映射法还原球形全景 | 第50页 |
| 3.3.3 激光点云的处理及回归 | 第50-57页 |
| 3.3.3.1 点云数据获取 | 第50-51页 |
| 3.3.3.2 点云数据拼接 | 第51-52页 |
| 3.3.3.3 点云数据除噪 | 第52页 |
| 3.3.3.4 点云数据简化 | 第52-56页 |
| 3.3.3.5 点云数据投影至球面 | 第56-57页 |
| 3.3.4 光学影像与激光点云的配准 | 第57页 |
| 3.4 本章小结 | 第57-59页 |
| 第4章 配准量测精度验证 | 第59-69页 |
| 4.1 精度验证的步骤 | 第59-60页 |
| 4.2 精度验证的方法 | 第60-65页 |
| 4.2.1 角度逼近法的证明 | 第60-62页 |
| 4.2.2 投影方式 | 第62-63页 |
| 4.2.3 具体算法 | 第63-65页 |
| 4.3 精度验证与分析 | 第65-67页 |
| 4.3.1 精度验证 | 第65-66页 |
| 4.3.2 误差来源分析 | 第66-67页 |
| 4.4 本章小结 | 第67-69页 |
| 第5章 基于知识与特征图像的点云分类识别 | 第69-88页 |
| 5.1 点云的特征图像 | 第69-74页 |
| 5.1.1 特征图像的概念 | 第69-70页 |
| 5.1.2 特征图像生成 | 第70-74页 |
| 5.2 分层投影与叠加分析的点云分类方法 | 第74-77页 |
| 5.2.1 典型地物的特征分析 | 第74-75页 |
| 5.2.2 分层投影与叠加分析的思想生成 | 第75页 |
| 5.2.3 分层投影与叠加分析的点云分类流程 | 第75-77页 |
| 5.3 基于分层投影和叠加分析的点云分类识别实验 | 第77-86页 |
| 5.3.1 数据降噪 | 第77-78页 |
| 5.3.2 特征图像的分层生成 | 第78-80页 |
| 5.3.3 二值图像生成 | 第80-81页 |
| 5.3.4 二值图像叠加及分析 | 第81-83页 |
| 5.3.5 基于知识规则的滤波及信息提取 | 第83-86页 |
| 5.4 本章小结 | 第86-88页 |
| 第6章 基于机器学习的点云分类识别 | 第88-111页 |
| 6.1 机器学习相关理论 | 第88-96页 |
| 6.1.1 支持向量机理论 | 第90-93页 |
| 6.1.2 人工神经网络 | 第93-96页 |
| 6.2 点云特征向量构建 | 第96-99页 |
| 6.2.1 点云原始特征及语义环境 | 第96-97页 |
| 6.2.2 点云特征提取及计算 | 第97-99页 |
| 6.3 基于支持向量机的点云分类实验 | 第99-107页 |
| 6.3.1 不同参数寻优算法的分类实验 | 第99-103页 |
| 6.3.2 不同训练样本的分类实验 | 第103-106页 |
| 6.3.3 不同特征向量的分类实验 | 第106-107页 |
| 6.4 基于人工神经网络的点云分类实验 | 第107-110页 |
| 6.5 本章小结 | 第110-111页 |
| 第7章 结论与展望 | 第111-115页 |
| 7.1 研究总结 | 第111-113页 |
| 7.2 研究创新点 | 第113页 |
| 7.3 研究展望 | 第113-115页 |
| 参考文献 | 第115-124页 |
| 攻读博士学位期间发表的论文与科研情况 | 第124-125页 |
| 致谢 | 第125-126页 |
