| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究的背景及意义 | 第11-12页 |
| 1.2 双目立体视觉的国内外研究现状 | 第12-16页 |
| 1.2.1 立体匹配的国内外研究现状 | 第12-15页 |
| 1.2.2 点云数据处理技术的国内外研究现状 | 第15-16页 |
| 1.3 本文主要研究内容和结构安排 | 第16-19页 |
| 第二章 双目立体视觉和BP算法 | 第19-33页 |
| 2.1 摄像机的成像模型 | 第19-22页 |
| 2.1.1 小孔成像原理 | 第19-20页 |
| 2.1.2 摄像机模型中各坐标系之间的关系 | 第20-22页 |
| 2.1.3 摄像机的标定 | 第22页 |
| 2.2 双目立体视觉 | 第22-29页 |
| 2.2.1 三角测量 | 第23-24页 |
| 2.2.2 立体标定 | 第24-25页 |
| 2.2.3 对极几何 | 第25页 |
| 2.2.4 立体校正 | 第25-26页 |
| 2.2.5 立体匹配算法 | 第26-28页 |
| 2.2.6 立体匹配的评价标准 | 第28-29页 |
| 2.3 BP算法 | 第29-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于卷积神经网络的匹配代价计算方法 | 第33-57页 |
| 3.1 卷积神经网络 | 第33-40页 |
| 3.1.1 卷积神经网络的历史 | 第33-35页 |
| 3.1.2 CNN的卷积层结构 | 第35-38页 |
| 3.1.3 CNN的池化层结构 | 第38-39页 |
| 3.1.4 CNN的激活函数 | 第39-40页 |
| 3.2 SMC-CNN网络结构 | 第40-44页 |
| 3.3 实验设计 | 第44-55页 |
| 3.3.1 Middlebury立体匹配对数据集及训练集的构造 | 第44-47页 |
| 3.3.2 数据集的扩大 | 第47-48页 |
| 3.3.3 网络的训练与参数的选择 | 第48-51页 |
| 3.3.4 实验结果 | 第51-55页 |
| 3.4 本章小结 | 第55-57页 |
| 第四章 视差图的后处理和三维重建 | 第57-71页 |
| 4.1 基于SMC-CNN匹配代价的后处理 | 第57-65页 |
| 4.1.1 改进的交叉基代价聚合 | 第57-59页 |
| 4.1.2 半全局匹配算法 | 第59-61页 |
| 4.1.3 计算视差图 | 第61-63页 |
| 4.1.4 实验结果 | 第63-65页 |
| 4.2 基于Delaury三角剖分的三维重建 | 第65-69页 |
| 4.2.1 点云的生成 | 第65页 |
| 4.2.2 曲面重建 | 第65-69页 |
| 4.2.3 重建结果 | 第69页 |
| 4.3 本章小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 参考文献 | 第73-80页 |
| 作者简历及在学期间所取得的科研成果 | 第80页 |