| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题背景及研究意义 | 第10-16页 |
| 1.2 3D物体识别基本框架 | 第16页 |
| 1.3 国内外研究现状 | 第16-18页 |
| 1.4 本文的主要研究内容及章节安排 | 第18-19页 |
| 第二章 实验数据获取与实验平台搭建 | 第19-36页 |
| 2.1 Kinect硬件组成结构 | 第19-21页 |
| 2.2 Kinect深度图像成像原理 | 第21-24页 |
| 2.3 深度图像与颜色图像坐标对齐及点云生成 | 第24-28页 |
| 2.4 本文采用的 3D数据库 | 第28-33页 |
| 2.4.1 斯坦福大学 3D CVLab数据库 | 第28-30页 |
| 2.4.2 3D常用物品自建数据库 | 第30-33页 |
| 2.5 PCL点云开源库介绍 | 第33-35页 |
| 2.5.1 PCL库的发展及应用领域 | 第33-34页 |
| 2.5.2 PCL库的主要模块及常用 3D数据格式 | 第34-35页 |
| 2.5.3 PCL库的开发环境配置 | 第35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 点云法矢估计及特征描述 | 第36-44页 |
| 3.1 点云数据的预处理 | 第36-37页 |
| 3.1.1 滤波去噪 | 第36页 |
| 3.1.2 空洞修复 | 第36-37页 |
| 3.2 点云法矢估计 | 第37-40页 |
| 3.2.1 点云的法矢分析与改进 | 第37-38页 |
| 3.2.2 基于球形点云的法矢对比实验 | 第38-40页 |
| 3.3 点云特征描述 | 第40-43页 |
| 3.3.1 FPFH | 第40-41页 |
| 3.3.2 C-SHOT | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 3D场景中的目标检测与实例数估计 | 第44-50页 |
| 4.1 本文算法框架 | 第44页 |
| 4.2 霍夫变换算法介绍 | 第44-45页 |
| 4.3 基于 3D霍夫投票的场景目标数确定 | 第45-47页 |
| 4.4 实验结果与分析 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 3D场景中目标物体的精确定位 | 第50-60页 |
| 5.1 RANSAC算法介绍 | 第50-51页 |
| 5.2 基于LM-ICP的目标物体的最优位姿估计 | 第51-52页 |
| 5.3 实验结果与分析 | 第52-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 研究工作总结 | 第60-61页 |
| 6.2 工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士期间发表论文 | 第67页 |