| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-11页 |
| 1.4 课题来源 | 第11页 |
| 1.5 本文的研究工作和主要贡献 | 第11-12页 |
| 1.6 本文组织结构 | 第12-13页 |
| 第2章 点云的应用以及常用分类算法介绍 | 第13-21页 |
| 2.1 点云数据的组织形式 | 第13-14页 |
| 2.2 点云的相关应用 | 第14-15页 |
| 2.3 常见的点云分类算法 | 第15-19页 |
| 2.3.1 基于扫描线特征的点云分类方法 | 第15-16页 |
| 2.3.2 利用坡度差值和局部线性回归进行点云分类 | 第16-17页 |
| 2.3.3 基于投影点密度的距离图像分割方法 | 第17-18页 |
| 2.3.4 基于地物特征和主成分分析的方法进行点云分类 | 第18-19页 |
| 2.4 分类方法总结 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 车载点云数据分类方法研究 | 第21-45页 |
| 3.1 地面滤波 | 第22-27页 |
| 3.1.1 常见的地面滤波算法 | 第22-23页 |
| 3.1.2 扫描线坡度自适应原理 | 第23-24页 |
| 3.1.3 地面滤波算法设计 | 第24-27页 |
| 3.2 空间点云聚类 | 第27-38页 |
| 3.2.1 空间聚类的定义和分类 | 第27-28页 |
| 3.2.2 基于点云数据的空间聚类算法分析 | 第28-29页 |
| 3.2.3 空间索引kd-tree | 第29-30页 |
| 3.2.4 kd-tree的建立 | 第30-32页 |
| 3.2.5 kd-tree邻域范围搜索 | 第32-33页 |
| 3.2.6 改进的基于kd-tree和多邻域半径的DBSCAN点云聚类算法 | 第33-38页 |
| 3.3 地物分类提取 | 第38-44页 |
| 3.3.1 建立规则空间网格 | 第38-39页 |
| 3.3.2 建筑物的提取 | 第39-40页 |
| 3.3.3 行道树的提取 | 第40-41页 |
| 3.3.4 路灯的提取 | 第41-42页 |
| 3.3.5 地物分类知识规则总结 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 车载点云分类实验与分析 | 第45-55页 |
| 4.1 实验环境与数据 | 第45-46页 |
| 4.2 地面滤波实验 | 第46-47页 |
| 4.3 空间点云聚类实验 | 第47-49页 |
| 4.4 地物分类实验 | 第49-52页 |
| 4.4.1 建筑物提取 | 第49-50页 |
| 4.4.2 行道树提取 | 第50-51页 |
| 4.4.3 路灯提取 | 第51页 |
| 4.4.4 整体实验结果 | 第51-52页 |
| 4.5 本章小结 | 第52-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表的学术论文 | 第61-63页 |
| 致谢 | 第63页 |
