基于激光成像雷达距离像的地面目标识别算法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第19-31页 |
| 1.1 课题研究的背景和意义 | 第19-21页 |
| 1.2 国内外研究现状及发展趋势 | 第21-28页 |
| 1.2.1 激光成像雷达距离像的噪声抑制 | 第22-23页 |
| 1.2.2 距离像地面分割与目标提取 | 第23-26页 |
| 1.2.3 距离像目标识别 | 第26-28页 |
| 1.3 本文研究内容及结构安排 | 第28-31页 |
| 第2章 激光成像雷达距离像噪声抑制 | 第31-57页 |
| 2.1 距离像噪声特性分析及建模 | 第31-37页 |
| 2.1.1 激光成像雷达距离像噪声分析 | 第31-34页 |
| 2.1.2 含噪距离像的仿真模型 | 第34-37页 |
| 2.2 距离像噪声抑制算法性能分析 | 第37-43页 |
| 2.2.1 中值滤波的基本原理 | 第38-39页 |
| 2.2.2 距离像仿真模型验证与分析 | 第39-42页 |
| 2.2.3 噪声抑制算法性能的量化分析 | 第42-43页 |
| 2.3 基于改进环圈滤波的噪声抑制算法 | 第43-48页 |
| 2.3.1 环圈滤波算法基本原理 | 第43-44页 |
| 2.3.2 改进环圈滤波算法原理 | 第44-46页 |
| 2.3.3 实验结果与分析 | 第46-48页 |
| 2.4 基于统计分析的噪声抑制算法 | 第48-54页 |
| 2.4.1 距离像噪声分布的统计学分析 | 第48-51页 |
| 2.4.2 实验结果与分析 | 第51-54页 |
| 2.5 本章小结 | 第54-57页 |
| 第3章 地面目标距离像的地面提取 | 第57-89页 |
| 3.1 基于扫描线分段识别的地面点提取算法 | 第58-61页 |
| 3.1.1 地面特征分析与扫描线分解 | 第58-60页 |
| 3.1.2 扫描线分段识别算法流程 | 第60-61页 |
| 3.2 扫描线噪声抑制与分界点提取 | 第61-71页 |
| 3.2.1 基于自适应中值滤波的扫描线噪声抑制 | 第62-66页 |
| 3.2.2 基于方向向量特征的分界点提取 | 第66-71页 |
| 3.3 扫描线的分段合并 | 第71-78页 |
| 3.3.1 同一平面上的分段合并 | 第71-73页 |
| 3.3.2 相近平面上的分段合并 | 第73-75页 |
| 3.3.3 分段合并算法及实验结果 | 第75-78页 |
| 3.4 扫描线地面分段的识别 | 第78-87页 |
| 3.4.1 地面分段特征分析 | 第78-84页 |
| 3.4.2 地面分段识别算法 | 第84-87页 |
| 3.5 本章小结 | 第87-89页 |
| 第4章 距离像的目标分类与提取 | 第89-125页 |
| 4.1 距离像的高度信息提取 | 第90-97页 |
| 4.1.1 地面法向量计算 | 第90-95页 |
| 4.1.2 距离像高度计算 | 第95-97页 |
| 4.2 基于区域生长的地面分割算法 | 第97-103页 |
| 4.2.1 距离像区域生长的基本原理 | 第98-99页 |
| 4.2.2 地面分割算法流程 | 第99-101页 |
| 4.2.3 实验结果与分析 | 第101-103页 |
| 4.3 距离像目标的分类 | 第103-108页 |
| 4.3.1 区域生长的分类结果分析 | 第103-104页 |
| 4.3.2 三维空间坐标系上的目标分类 | 第104-106页 |
| 4.3.3 实验结果与分析 | 第106-108页 |
| 4.4 被遮挡目标的搜索与补偿策略 | 第108-114页 |
| 4.4.1 被遮挡目标的搜索算法 | 第108-111页 |
| 4.4.2 对被遮挡目标的补偿策略 | 第111-113页 |
| 4.4.3 算法流程及实验结果 | 第113-114页 |
| 4.5 基于形态学的目标提取 | 第114-122页 |
| 4.5.1 形态学基本原理 | 第114-116页 |
| 4.5.2 基于形态学的目标提取算法 | 第116-121页 |
| 4.5.3 实验结果与分析 | 第121-122页 |
| 4.6 本章小结 | 第122-125页 |
| 第5章 距离像目标的特征提取与识别 | 第125-157页 |
| 5.1 目标高度特征的提取 | 第125-132页 |
| 5.1.1 目标的高度特征分析 | 第126-129页 |
| 5.1.2 高度特征提取流程 | 第129-130页 |
| 5.1.3 实验结果与分析 | 第130-132页 |
| 5.2 目标长宽及姿态特征的提取 | 第132-137页 |
| 5.2.1 矩形估计的基本原理 | 第132-134页 |
| 5.2.2 目标长宽及姿态特征提取流程 | 第134-137页 |
| 5.2.3 实验结果分析 | 第137页 |
| 5.3 目标图像特征的提取 | 第137-146页 |
| 5.3.1 图像不变矩特征的基本原理 | 第138-142页 |
| 5.3.2 基于姿态校正的不变矩提取算法 | 第142-146页 |
| 5.3.3 实验结果分析 | 第146页 |
| 5.4 基于人工神经网络的目标识别算法 | 第146-154页 |
| 5.4.1 人工神经网络的基本原理 | 第147-149页 |
| 5.4.2 人工神经网络的构建 | 第149-152页 |
| 5.4.3 实验结果分析 | 第152-154页 |
| 5.5 本章小结 | 第154-157页 |
| 结论与展望 | 第157-161页 |
| 参考文献 | 第161-173页 |
| 攻读学位期间发表论文与研究成果清单 | 第173-175页 |
| 致谢 | 第175-176页 |
| 作者简介 | 第176页 |
