| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 主要研究内容与章节安排 | 第12-14页 |
| 第2章 3D场景流经典算法 | 第14-22页 |
| 2.1 场景流与光流的对应关系 | 第14-15页 |
| 2.2 基于RGBD图像场景流算法 | 第15-19页 |
| 2.3 基于双目可见光图像的场景流算法 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 深度图像分层与分割优化方法 | 第22-31页 |
| 3.1 深度图像K-均值聚类 | 第22-24页 |
| 3.2 深度图像自动分层与分割优化方法 | 第24-30页 |
| 3.2.1 自动分层与分割优化方法实现步骤 | 第24-27页 |
| 3.2.2 参数选取 | 第27-29页 |
| 3.2.3 有效性验证实验 | 第29-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第4章 基于深度自动分层的RGBD序列场景流估计 | 第31-41页 |
| 4.1 3D场景流估计能量泛函 | 第31-35页 |
| 4.1.1 层辅助函数项 | 第32-33页 |
| 4.1.2 数据项与遮挡处理 | 第33-34页 |
| 4.1.3 运动约束项 | 第34-35页 |
| 4.2 基于深度分层的场景流计算方法与数值实现 | 第35-40页 |
| 4.2.1 初始分层和初始场景流计算方法 | 第35-37页 |
| 4.2.2 基于金字塔变形的场景流估计优化方法 | 第37-38页 |
| 4.2.3 基于共轭梯度下降法的分层结果优化 | 第38-39页 |
| 4.2.4 场景流计算过程 | 第39-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第5章 实验与分析 | 第41-59页 |
| 5.1 实验环境与评价指标 | 第41-42页 |
| 5.1.1 实验环境 | 第41页 |
| 5.1.2 评价指标 | 第41-42页 |
| 5.2 场景流显示方法 | 第42-44页 |
| 5.3 实验结果与对比分析 | 第44-57页 |
| 5.3.1 Middlebury 2003 测试图像集实验 | 第44-46页 |
| 5.3.2 Middlebury 2005 测试图像集实验 | 第46-49页 |
| 5.3.3 SRSF真实场景图像集实验 | 第49-51页 |
| 5.3.4 RGBD跟踪场景图像集试验 | 第51-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59-60页 |
| 6.2 研究展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 硕士期间发表论文以及参加科研项目情况 | 第64-65页 |
| 发表论文 | 第64页 |
| 参加项目 | 第64-65页 |
| 致谢 | 第65-66页 |