基于Kinect的三维模式识别技术研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第13-27页 |
| 1.1 研究背景及意义 | 第13页 |
| 1.2 模式识别技术发展历程 | 第13-21页 |
| 1.2.1 摄像头的类型 | 第14-15页 |
| 1.2.2 三维物体模型表示法 | 第15页 |
| 1.2.3 特征提取的方法 | 第15-20页 |
| 1.2.4 匹配识别发展现状 | 第20-21页 |
| 1.3 典型的国内外机器人视觉识别系统 | 第21-24页 |
| 1.4 本文组织结构 | 第24-27页 |
| 第二章 研究方案及点云数据采集与前处理 | 第27-39页 |
| 2.1 研究方案 | 第27页 |
| 2.2 Kinect摄像头 | 第27-29页 |
| 2.3 PCL简介 | 第29-30页 |
| 2.4 点云数据实时采集 | 第30-32页 |
| 2.5 点云数据滤波 | 第32-34页 |
| 2.5.1 直通滤波及体素化滤波 | 第32-33页 |
| 2.5.2 移除离群点 | 第33-34页 |
| 2.6 点云数据分割 | 第34-36页 |
| 2.6.1 基于随机采样一致性的分割 | 第34-35页 |
| 2.6.2 基于欧式距离的聚类分割 | 第35页 |
| 2.6.3 离线点云数据分割实验 | 第35-36页 |
| 2.7 实时聚类分割 | 第36-37页 |
| 2.8 本章小结 | 第37-39页 |
| 第三章 点云特征提取与特征模型数据库建立 | 第39-57页 |
| 3.1 3D特征描述子介绍 | 第39页 |
| 3.2 点云数据表面法线 | 第39-41页 |
| 3.3 局部直方图描述子 | 第41-45页 |
| 3.3.1 PFH描述子 | 第41-43页 |
| 3.3.2 FPFH描述子 | 第43-44页 |
| 3.3.3 SHOT描述子 | 第44-45页 |
| 3.4 全局直方图描述子 | 第45-49页 |
| 3.4.1 VFH描述子 | 第45-46页 |
| 3.4.2 CVFH描述子 | 第46-49页 |
| 3.5 特征描述子实验分析 | 第49-51页 |
| 3.6 特征模型数据库 | 第51-55页 |
| 3.6.1 特征模型数据库概述 | 第51-52页 |
| 3.6.2 特征模型数据库的建立 | 第52-55页 |
| 3.7 本章小结 | 第55-57页 |
| 第四章 对应分组聚类识别及结果验证 | 第57-69页 |
| 4.1 基于3D描述子的对应分组聚类识别算法 | 第57-62页 |
| 4.1.1 三维霍夫投票算法 | 第57-60页 |
| 4.1.2 几何一致性算法 | 第60-62页 |
| 4.2 识别结果验证 | 第62-65页 |
| 4.2.1 点云配准 | 第62页 |
| 4.2.2 假设验证 | 第62-64页 |
| 4.2.3 识别结果评价指标 | 第64-65页 |
| 4.3 离线聚类识别实验 | 第65-68页 |
| 4.3.1 聚类识别不同物体 | 第65-67页 |
| 4.3.2 聚类识别相似物体 | 第67-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 实时识别实验及分析 | 第69-81页 |
| 5.1 三维物体实时识别模式 | 第69-73页 |
| 5.1.1 实验步骤 | 第69-72页 |
| 5.1.2 实验平台 | 第72-73页 |
| 5.2 单个物体实时识别实验 | 第73-74页 |
| 5.2.1 Kinect静止识别 | 第73-74页 |
| 5.2.2 Kinect移动识别 | 第74页 |
| 5.3 聚类物体实时识别实验 | 第74-80页 |
| 5.3.1 无遮挡聚类物体识别 | 第74-77页 |
| 5.3.2 遮挡聚类物体识别 | 第77-79页 |
| 5.3.3 相似聚类物体识别 | 第79-80页 |
| 5.4 本章小结 | 第80-81页 |
| 第六章 结论与展望 | 第81-83页 |
| 6.1 结论 | 第81页 |
| 6.2 展望 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 附录 | 第87-89页 |
| 致谢 | 第89-91页 |
| 作者和导师简介 | 第91页 |
