| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 三维重构技术研究现状 | 第9-11页 |
| 1.2.2 机器学习研究现状 | 第11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.4 论文结构 | 第12-13页 |
| 2 相关理论知识与技术 | 第13-22页 |
| 2.1 Kinect V2简介 | 第13-14页 |
| 2.2 ToF深度测量技术 | 第14-15页 |
| 2.3 相机标定原理 | 第15-17页 |
| 2.3.1 图像坐标系 | 第15-16页 |
| 2.3.2 相机坐标系 | 第16页 |
| 2.3.3 世界坐标系 | 第16-17页 |
| 2.4 Kinect的几何模型 | 第17-19页 |
| 2.5 实验环境 | 第19-20页 |
| 2.5.1 实验软硬件环境 | 第19页 |
| 2.5.2 采集数据场景 | 第19-20页 |
| 2.6 实验结果 | 第20-21页 |
| 2.7 本章小结 | 第21-22页 |
| 3 花椰菜三维模型重构及特征提取 | 第22-37页 |
| 3.1 KinectFusion算法 | 第22-26页 |
| 3.1.1 KinectFusion算法基本思想 | 第22-23页 |
| 3.1.2 KinectFusion算法的ICP配准方法 | 第23-25页 |
| 3.1.3 KinectFusion算法的TSDF点云融合算法 | 第25-26页 |
| 3.2 3D Scan | 第26页 |
| 3.3 KinectFusion与3D Scan性能参数的对比 | 第26-27页 |
| 3.4 实验结果与分析 | 第27-31页 |
| 3.4.1 KinectFusion参数选择 | 第27-29页 |
| 3.4.2 KinectFusion与3D Scan建模效果对比分析 | 第29-31页 |
| 3.5 三维模型特征提取 | 第31-36页 |
| 3.5.1 点云预处理 | 第31-32页 |
| 3.5.2 三角域曲面重构 | 第32-33页 |
| 3.5.3 三维模型几何尺寸的测量 | 第33-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 多元线性回归预测模型的建立及优化 | 第37-49页 |
| 4.1 机器学习 | 第37页 |
| 4.2 多元线性回归 | 第37-39页 |
| 4.3 正则化 | 第39-40页 |
| 4.3.1 岭回归 | 第39-40页 |
| 4.3.2 LASSO | 第40页 |
| 4.4 调整参数λ的选择 | 第40-41页 |
| 4.5 中心化和标准化 | 第41-42页 |
| 4.6 模型评估 | 第42页 |
| 4.7 梯度下降 | 第42-43页 |
| 4.8 实验结果与分析 | 第43-48页 |
| 4.8.1 属性特征的选取与分析 | 第43-44页 |
| 4.8.2 模型参数优化 | 第44-46页 |
| 4.8.3 模型检验 | 第46-48页 |
| 4.9 本章小结 | 第48-49页 |
| 5 支持向量回归预测模型的建立及优化 | 第49-59页 |
| 5.1 支持向量机理论基础 | 第49-51页 |
| 5.1.1 经验风险最小化原则 | 第49-50页 |
| 5.1.2 VC维 | 第50页 |
| 5.1.3 结构风险最小化原则 | 第50-51页 |
| 5.2 支持向量回归 | 第51-54页 |
| 5.3 核方法 | 第54-55页 |
| 5.4 实验结果与分析 | 第55-58页 |
| 5.4.1 模型参数优化 | 第55-56页 |
| 5.4.2 模型检验 | 第56-58页 |
| 5.5 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 作者简介 | 第65-66页 |
| 致谢 | 第66-67页 |
| 详细摘要 | 第67-68页 |
