基于深度图像的识别与配准技术研究
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第10-16页 |
1.1 课题研究背景与意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-14页 |
1.3 本文的研究内容 | 第14-16页 |
第2章 系统方案设计及深度数据处理 | 第16-31页 |
2.1 引言 | 第16页 |
2.2 检测系统构成与工作原理 | 第16-19页 |
2.2.1 检测系统的基本结构及工作流程 | 第16-17页 |
2.2.2 检测系统的工作原理 | 第17-19页 |
2.3 硬件选型与配置 | 第19-20页 |
2.3.1 激光位移传感器的硬件选型 | 第19页 |
2.3.2 电动位移平台的硬件选型 | 第19-20页 |
2.4 深度图像 | 第20-25页 |
2.4.1 深度图像的概念 | 第20-21页 |
2.4.2 深度图像的获取和表示 | 第21-22页 |
2.4.3 基于激光扫描数据三维重建流程 | 第22-25页 |
2.5 数据预处理 | 第25-30页 |
2.5.1 深度信息的转化 | 第25-26页 |
2.5.2 图像预处理 | 第26-28页 |
2.5.3 数据误差补偿 | 第28-30页 |
2.6 本章小结 | 第30-31页 |
第3章 深度图像识别 | 第31-48页 |
3.1 引言 | 第31页 |
3.2 常用的模式识别方法及比较 | 第31-33页 |
3.3 基于k近邻的字符识别算法 | 第33-35页 |
3.3.1 k近邻算法的基本原理 | 第33页 |
3.3.2 k近邻算法的基本模型 | 第33-35页 |
3.3.3 k近邻算法的实现 | 第35页 |
3.4 基于神经网络的字符识别算法 | 第35-47页 |
3.4.1 深度学习基础理论 | 第35页 |
3.4.2 前馈神经网络 | 第35-41页 |
3.4.3 卷积神经网络 | 第41-43页 |
3.4.4 基于多层感知机网络的字符识别 | 第43-44页 |
3.4.5 基于卷积神经网络的字符识别 | 第44-47页 |
3.5 本章小结 | 第47-48页 |
第4章 深度图像配准 | 第48-67页 |
4.1 引言 | 第48页 |
4.2 深度图像配准的介绍 | 第48-49页 |
4.2.1 配准问题及目标 | 第48-49页 |
4.2.2 配准的定义 | 第49页 |
4.3 深度图像配准常用算法及分类 | 第49-51页 |
4.4 基于模板匹配的深度图像配准 | 第51-53页 |
4.4.1 模板匹配算法原理 | 第51-52页 |
4.4.2 模板匹配算法的配准实现 | 第52-53页 |
4.5 基于ICP算法的深度图像配准 | 第53-56页 |
4.5.1 ICP算法原理 | 第53-54页 |
4.5.2 ICP算法实现流程 | 第54-56页 |
4.5.3 原始ICP算法的评价 | 第56页 |
4.6 基于改进ICP算法的深度图像配准 | 第56-66页 |
4.6.1 点云去噪 | 第56-58页 |
4.6.2 计算点云表面法线和关键点FPFH特征 | 第58-61页 |
4.6.3 RANSAC初始粗配准 | 第61-63页 |
4.6.4 ICP精配准 | 第63-66页 |
4.7 本章小结 | 第66-67页 |
第5章 实验结果与误差分析 | 第67-82页 |
5.1 引言 | 第67页 |
5.2 系统环境搭建与深度数据采集 | 第67-72页 |
5.2.1 系统硬件部分搭建 | 第67-68页 |
5.2.2 系统软件功能 | 第68-70页 |
5.2.3 深度数据采集 | 第70-72页 |
5.3 实验结果 | 第72-78页 |
5.3.1 数据处理实验 | 第72-74页 |
5.3.2 识别分类实验 | 第74-75页 |
5.3.3 深度图像配准实验 | 第75-78页 |
5.4 实验结果误差来源分析 | 第78-81页 |
5.4.1 仪器自身的误差 | 第78-79页 |
5.4.2 测量扫描产生的误差 | 第79-80页 |
5.4.3 算法误差 | 第80页 |
5.4.4 外界环境产生的误差 | 第80-81页 |
5.5 本章小结 | 第81-82页 |
结论 | 第82-83页 |
参考文献 | 第83-88页 |
致谢 | 第88页 |