利用RGB-D传感器数据的室内导航数据模型构建
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 引言 | 第15-23页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.3 研究内容 | 第19-23页 |
| 1.3.1 研究内容与方法 | 第20-21页 |
| 1.3.2 技术路线和文章结构 | 第21-23页 |
| 2 室内场景数据获取 | 第23-46页 |
| 2.1 RGB-D相机简介 | 第23-28页 |
| 2.1.1 Kinect传感器特性及应用 | 第24-25页 |
| 2.1.2 一些开源的RGB-D数据集 | 第25-28页 |
| 2.2 主流的传感器定位算法 | 第28-35页 |
| 2.2.1 ICP算法 | 第28-30页 |
| 2.2.2 KF-SLAM | 第30-32页 |
| 2.2.3 粒子滤波 | 第32-34页 |
| 2.2.4 图优化方法 | 第34-35页 |
| 2.3 本文的数据采集系统 | 第35-38页 |
| 2.3.1 ORB-SLAM | 第35-36页 |
| 2.3.2 多特征扩展信息滤波 | 第36-38页 |
| 2.4 Kinect点云数据预处理 | 第38-46页 |
| 2.4.1 Kinect点云数据的特点 | 第39-40页 |
| 2.4.2 统计滤波去除离群噪声点 | 第40-42页 |
| 2.4.3 移动最小二乘滤波平滑 | 第42-44页 |
| 2.4.4 点云数据配准误差纠正 | 第44-46页 |
| 3 室内点云分类相关算法原理 | 第46-63页 |
| 3.1 点云分割算法 | 第46-51页 |
| 3.1.1 RANSAC平面分割 | 第46-47页 |
| 3.1.2 超体素分割 | 第47-50页 |
| 3.1.3 区域面生长法 | 第50-51页 |
| 3.2 点云边界提取 | 第51-53页 |
| 3.3 点云特征描述与提取 | 第53-59页 |
| 3.3.1 颜色特征 | 第53-58页 |
| 3.3.2 纹理特征 | 第58页 |
| 3.3.3 三维形状特征 | 第58-59页 |
| 3.4 决策树 | 第59-61页 |
| 3.5 随机森林 | 第61-63页 |
| 4 室内空间拓扑构建和导航数据模型原理 | 第63-71页 |
| 4.1 IndoorGML导航数据标准 | 第63-65页 |
| 4.2 室内空间要素拓扑建立 | 第65-71页 |
| 4.2.1 基于空间划分的空间要素拓扑建立原理 | 第66-69页 |
| 4.2.2 基于运动轨迹的空间要素拓扑建立原理 | 第69-71页 |
| 5 实验结果与分析 | 第71-92页 |
| 5.1 室内点云分类 | 第71-83页 |
| 5.1.1 基于平面分割对象的识别方法 | 第71-77页 |
| 5.1.2 基于超体素分类对象的识别方法 | 第77-82页 |
| 5.1.3 两种识别方法优缺点对比 | 第82-83页 |
| 5.2 空间拓扑关系建立 | 第83-90页 |
| 5.2.1 基于运动轨迹的空间要素拓扑构建 | 第83-84页 |
| 5.2.2 基于空间划分的空间要素拓扑构建 | 第84-90页 |
| 5.3 室内导航数据构建 | 第90-92页 |
| 5.3.1 导航数据模型建立 | 第90页 |
| 5.3.2 导航数据构建 | 第90-92页 |
| 6 总结与展望 | 第92-94页 |
| 6.1 研究工作总结 | 第92页 |
| 6.2 研究展望 | 第92-94页 |
| 致谢 | 第94-96页 |
| 参考文献 | 第96-101页 |
| 附录 | 第101页 |
