| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的背景及意义 | 第10-11页 |
| 1.2 国内外技术研究现状 | 第11-14页 |
| 1.2.1 卷积神经网络 | 第11-13页 |
| 1.2.2 三维目标测量 | 第13-14页 |
| 1.3 论文的研究内容与结构安排 | 第14-16页 |
| 第2章 基本原理 | 第16-24页 |
| 2.1 Kinect传感器简介 | 第16-19页 |
| 2.1.1 Kinect v1与Kinect v2的测量原理 | 第16-17页 |
| 2.1.2 Kinect v2的硬件组成 | 第17-18页 |
| 2.1.3 Kinect for Windows SDK | 第18-19页 |
| 2.2 卷积神经网络 | 第19-21页 |
| 2.2.1 卷积层 | 第19-21页 |
| 2.2.2 池化层 | 第21页 |
| 2.3 深度学习框架Caffe | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 三维目标的归一化深度图像获取 | 第24-36页 |
| 3.1 Kinect获取深度图像 | 第24-26页 |
| 3.2 深度图像转换为点云 | 第26-29页 |
| 3.3 点云分割 | 第29-31页 |
| 3.3.1 双阈值法点云分割 | 第29-30页 |
| 3.3.2 背景差分法点云分割 | 第30-31页 |
| 3.4 点云滤波算法 | 第31-34页 |
| 3.4.1 直通滤波器 | 第32页 |
| 3.4.2 统计滤波器 | 第32-33页 |
| 3.4.3 半径滤波器 | 第33-34页 |
| 3.5 点云提取 | 第34页 |
| 3.6 点云归一化为深度图像 | 第34-35页 |
| 3.7 本章小结 | 第35-36页 |
| 第4章 基于Alex Net的尺度特征提取回归网络 | 第36-52页 |
| 4.1 AlexNet网络模型 | 第36-37页 |
| 4.2 CNN的回归层设计原理 | 第37-41页 |
| 4.2.1 Alex Net的分类层原理分析 | 第37-39页 |
| 4.2.2 回归器原理 | 第39-41页 |
| 4.3 CNN回归网络对尺度测量的实验验证 | 第41-50页 |
| 4.3.1 系统环境 | 第42页 |
| 4.3.2 样本数据的准备 | 第42-44页 |
| 4.3.3 线性尺度的回归实验 | 第44-46页 |
| 4.3.4 非线性尺度的回归实验 | 第46-48页 |
| 4.3.5 两种模型的参数可视化 | 第48-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第5章 基于CNN的三维目标体重测量 | 第52-63页 |
| 5.0 实验流程图 | 第52-53页 |
| 5.1 数据采集与处理 | 第53-55页 |
| 5.1.1 采集环境搭建 | 第53-54页 |
| 5.1.2 数据采集过程 | 第54-55页 |
| 5.1.3 获取归一化深度图像 | 第55页 |
| 5.2 使用Caffe训练数据 | 第55-62页 |
| 5.2.1 数据分析与处理 | 第56-57页 |
| 5.2.2 实施训练 | 第57-58页 |
| 5.2.3 样本测试与结果分析 | 第58-62页 |
| 5.3 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70页 |
