基于点云数据的三维目标识别方法研究
摘要 | 第5-6页 |
abstract | 第6-7页 |
第1章 绪论 | 第11-17页 |
1.1 课题研究的背景及意义 | 第11-12页 |
1.2 课题研究的应用前景 | 第12页 |
1.3 国内外研究现状 | 第12-15页 |
1.3.1 基于局部特征的点云识别方法 | 第13-14页 |
1.3.2 基于全局特征的点云识别 | 第14页 |
1.3.3 基于图匹配的三维识别 | 第14页 |
1.3.4 基于机器学习的识别方法 | 第14-15页 |
1.4 论文的主要内容及结构安排 | 第15-17页 |
1.4.1 论文的主要内容 | 第15-16页 |
1.4.2 论文的结构安排 | 第16-17页 |
第2章 三维点云目标识别基础 | 第17-31页 |
2.1 点云数据的获取和表示 | 第17-19页 |
2.1.1 点云获取 | 第17-19页 |
2.1.2 点云数据的表示方法 | 第19页 |
2.2 点云数据处理技术 | 第19-25页 |
2.2.1 点云的去噪精简 | 第19-21页 |
2.2.2 离群点检测方法 | 第21-23页 |
2.2.3 空间拓扑构建与近邻搜索 | 第23-25页 |
2.3 点云识别基础概念 | 第25-30页 |
2.3.1 点云数据基础特征 | 第25-26页 |
2.3.2 刚体变换 | 第26-28页 |
2.3.3 刚体变换的计算 | 第28-29页 |
2.3.4 ICP算法 | 第29页 |
2.3.5 RANSAC算法 | 第29-30页 |
2.4 本章小结 | 第30-31页 |
第3章 点云滤波去噪方法研究 | 第31-41页 |
3.1 概述 | 第31页 |
3.2 模糊C均值聚类算法 | 第31-33页 |
3.2.1 模糊集 | 第31页 |
3.2.2 模糊C均值聚类 | 第31-33页 |
3.2.3 FCM去除离群点噪声 | 第33页 |
3.3 点云模型的法向量修正 | 第33-34页 |
3.4 点云高频信息去噪 | 第34-35页 |
3.5 实验结果及分析 | 第35-40页 |
3.5.1 离群点去噪实验 | 第36-38页 |
3.5.2 高频信息去噪实验分析 | 第38-40页 |
3.6 本章小结 | 第40-41页 |
第4章 基于KSR的目标识别算法 | 第41-63页 |
4.1 概述 | 第41页 |
4.2 基于SIFT算法的关键点检测 | 第41-44页 |
4.2.1 尺度空间极值检测 | 第42-44页 |
4.2.2 关键点的精确定位 | 第44页 |
4.3 基于关键点的表面表示(KSR) | 第44-47页 |
4.4 局部参考坐标框架的构建 | 第47-50页 |
4.4.1 坐标轴构造 | 第48-49页 |
4.4.2 符号消歧 | 第49-50页 |
4.5 三维目标识别 | 第50-53页 |
4.5.1 三维模型库 | 第50页 |
4.5.2 场景表示 | 第50-51页 |
4.5.3 KSR匹配与假设生成 | 第51-52页 |
4.5.4 假设验证(模块H) | 第52页 |
4.5.5 识别与分割(模块I) | 第52-53页 |
4.6 实验结果及分析 | 第53-62页 |
4.6.1 三维数据集 | 第53-54页 |
4.6.2 数据集上的测试结果 | 第54-60页 |
4.6.3 真实场景实验 | 第60-62页 |
4.7 本章小结 | 第62-63页 |
第5章 基于协方差描述符的目标识别算法 | 第63-84页 |
5.1 概述 | 第63页 |
5.2 协方差描述符 | 第63-67页 |
5.2.1 协方差的概念 | 第63页 |
5.2.2 协方差描述符的相似度衡量 | 第63-64页 |
5.2.3 协方差特征描述符的组合 | 第64-65页 |
5.2.4 协方差特征描述符的提取 | 第65-66页 |
5.2.5 协方差特征描述符的匹配策略 | 第66-67页 |
5.3 协方差描述符的分类 | 第67-73页 |
5.3.1 K近邻(KNN)算法 | 第67-68页 |
5.3.2 支持向量机算法 | 第68-72页 |
5.3.3 支持向量机参数寻优 | 第72-73页 |
5.4 实验结果及分析 | 第73-82页 |
5.4.1 RGB- D数据集 | 第73-74页 |
5.4.2 实验结果及分析 | 第74-82页 |
5.5 本章小结 | 第82-84页 |
结论 | 第84-86页 |
参考文献 | 第86-92页 |
攻读硕士学位期间发表的论文和取得的科研成果 | 第92-94页 |
致谢 | 第94页 |