基于深度和彩色信息的室内场景实时分割算法研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究背景及意义 | 第9-10页 |
| 1.3 室内场景分割算法国内外研究现状 | 第10-13页 |
| 1.4 本文主要研究内容及工作安排 | 第13-15页 |
| 第2章 深度数据修复和室内场景初步分割 | 第15-28页 |
| 2.1 室内场景的深度数据获取 | 第15-20页 |
| 2.1.1 常见深度数据获取方法 | 第15-18页 |
| 2.1.2 基于Kinect的深度数据获取 | 第18-20页 |
| 2.2 深度数据误差分析及修复 | 第20-26页 |
| 2.2.1 深度数据误差的数学模型及分析 | 第20页 |
| 2.2.2 深度信息快速修复算法设计 | 第20-26页 |
| 2.3 基于深度阈值和颜色信息的场景初步分割 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于法线向量的室内场景分割 | 第28-50页 |
| 3.1 三维场景法线向量计算 | 第29-36页 |
| 3.1.1 三维场景坐标计算 | 第31-32页 |
| 3.1.2 积分图的计算 | 第32-33页 |
| 3.1.3 自适应窗口的设计 | 第33-34页 |
| 3.1.4 基于向量叉积的法线向量计算 | 第34-35页 |
| 3.1.5 基于协方差矩阵的法线向量计算 | 第35页 |
| 3.1.6 两种法线向量计算结果对比 | 第35-36页 |
| 3.2 基于超像素块融合的水平面检测 | 第36-48页 |
| 3.2.1 基于改进的SLIC超像素聚类算法 | 第39-45页 |
| 3.2.2 水平面检测 | 第45-48页 |
| 3.3 基于支撑平面的室内场景分割 | 第48-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 基于GTX660的场景分割算法实现 | 第50-62页 |
| 4.1 基于CUDA的分割算法的设计及优化 | 第50-54页 |
| 4.1.1 GPU并行计算与图像处理 | 第50-51页 |
| 4.1.2 基于CUDA的算法实现 | 第51-52页 |
| 4.1.3 基于CUDA的程序优化 | 第52-54页 |
| 4.2 场景分割算法的测试 | 第54-61页 |
| 4.2.1 算法运行和测试环境 | 第54-55页 |
| 4.2.2 场景分割算法的分步结果及时间 | 第55-56页 |
| 4.2.3 室内场景中不同物体的分割测试 | 第56-60页 |
| 4.2.4 基于分割后场景的物体匹配测试 | 第60-61页 |
| 4.3 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 本文总结 | 第62-63页 |
| 5.2 研究展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第68页 |
