基于3D多视图的物体识别及姿态估计方法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 卷积神经网络的发展历程 | 第14-15页 |
| 1.2.2 基于3D模型的物体识别研究现状 | 第15-17页 |
| 1.2.3 6D姿态估计研究现状 | 第17-19页 |
| 1.3 论文主要研究内容和创新点 | 第19-20页 |
| 1.4 论文章节安排 | 第20-23页 |
| 第2章 物体仿真图片数据生成 | 第23-33页 |
| 2.1 常见的数据生成方法 | 第23-24页 |
| 2.2 多视图数据生成 | 第24-31页 |
| 2.2.1 Kinect传感器 | 第24-25页 |
| 2.2.2 相机标定 | 第25-27页 |
| 2.2.3 三维点云建模 | 第27-28页 |
| 2.2.4 多视图数据生成及标注 | 第28-31页 |
| 2.3 本章小结 | 第31-33页 |
| 第3章 基于生成数据集的物体识别 | 第33-43页 |
| 3.1 卷积神经网络组成 | 第33-36页 |
| 3.1.1 卷积层 | 第33页 |
| 3.1.2 池化层 | 第33-35页 |
| 3.1.3 激活层 | 第35-36页 |
| 3.2 深度残差网络(ResNet) | 第36-38页 |
| 3.3 数据准备 | 第38-39页 |
| 3.4 实验与分析 | 第39-42页 |
| 3.4.1 实验软硬件环境 | 第39-41页 |
| 3.4.2 模型训练 | 第41-42页 |
| 3.4.3 实验结果分析 | 第42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 一种基于主成分分析的物体姿态估计方法 | 第43-49页 |
| 4.1 实验环境 | 第43-44页 |
| 4.2 货盒的定位和姿态估计方法 | 第44-46页 |
| 4.3 实验结果与分析 | 第46-48页 |
| 4.3.1 物体定位实验 | 第46-47页 |
| 4.3.2 物体姿态估计实验 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 一种基于多模态特征融合的物体姿态估计方法 | 第49-63页 |
| 5.1 评测数据集 | 第49-50页 |
| 5.2 多模态融合特征姿态估计网络 | 第50-57页 |
| 5.2.1 语义分割网络SegNet | 第50-52页 |
| 5.2.2 PointNet基本原理 | 第52-53页 |
| 5.2.3 点云特征提取 | 第53-56页 |
| 5.2.4 RGB特征提取 | 第56页 |
| 5.2.5 多模态融合模型 | 第56-57页 |
| 5.3 迭代最近点法ICP | 第57-59页 |
| 5.4 实验与分析 | 第59-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 未来展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 在读期间发表的学术论文与取得的研究成果 | 第70页 |
