建筑物三维点云配准方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 课题的背景和意义 | 第11-12页 |
| 1.2 本文的研究工作和主要贡献 | 第12-13页 |
| 1.3 本文的组织结构及章节安排 | 第13-15页 |
| 第二章 论文相关研究现状分析 | 第15-30页 |
| 2.1 激光雷达点云简介 | 第15-20页 |
| 2.1.1 激光雷达采集系统 | 第15-17页 |
| 2.1.2 激光雷达点云数据特点 | 第17-18页 |
| 2.1.3 激光雷达点云应用及发展 | 第18-20页 |
| 2.2 深度学习发展及应用 | 第20-23页 |
| 2.2.1 发展历程 | 第20-22页 |
| 2.2.2 卷积神经网络及应用 | 第22-23页 |
| 2.3 深度学习应用于点云简述 | 第23-26页 |
| 2.3.1 基于规则划分的应用 | 第24-25页 |
| 2.3.2 基于无序点云的应用 | 第25-26页 |
| 2.4 三维点云配准方法简述 | 第26-30页 |
| 2.4.1 基于规则的配准方法 | 第26-27页 |
| 2.4.2 基于学习的配准方法 | 第27-30页 |
| 第三章 基于三维点云线结构的配准方法 | 第30-43页 |
| 3.1 引言 | 第30-31页 |
| 3.2 算法框架 | 第31-32页 |
| 3.3 算法描述 | 第32-37页 |
| 3.3.1 特征向量的构成 | 第32-35页 |
| 3.3.2 同名点的确定 | 第35-36页 |
| 3.3.3 配准效果的评价标准 | 第36-37页 |
| 3.4 实验结果 | 第37-43页 |
| 3.4.1 实验数据以及实验环境 | 第37-38页 |
| 3.4.2 配准结果以及对比实验 | 第38-42页 |
| 3.4.3 实验总结 | 第42-43页 |
| 第四章 基于深度学习的点云描述及配准 | 第43-58页 |
| 4.1 引言 | 第43-44页 |
| 4.2 方法框架 | 第44页 |
| 4.3 算法描述 | 第44-50页 |
| 4.3.1 关键区域检测模型 | 第44-46页 |
| 4.3.2 关键点邻域的样本提取 | 第46-49页 |
| 4.3.3 点云块之间对应关系的确认 | 第49页 |
| 4.3.4 样本对选取方法 | 第49-50页 |
| 4.4 实验结果 | 第50-58页 |
| 4.4.1 实验数据以及实验环境 | 第50页 |
| 4.4.2 实验结果与对比实验 | 第50-57页 |
| 4.4.3 实验总结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |
