| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景和意义 | 第13-16页 |
| 1.1.1 三维数据用于语义标注 | 第14-15页 |
| 1.1.2 基于多信息融合的语义理解 | 第15-16页 |
| 1.2 本文的研究内容及创新 | 第16-17页 |
| 1.3 本文组织结构 | 第17-19页 |
| 第二章 相关研究现状 | 第19-29页 |
| 2.1 三维点云语义标注的基本框架 | 第19-20页 |
| 2.2 基于移动机器人的三维构图 | 第20-21页 |
| 2.3 特征的提取与描述 | 第21-25页 |
| 2.3.1 颜色特征 | 第21-23页 |
| 2.3.2 纹理特征 | 第23-24页 |
| 2.3.3 形状特征 | 第24-25页 |
| 2.4 基于三维点云的语义标注模型 | 第25-27页 |
| 2.4.1 经典机器学习模型 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 室内三维场景点云分割 | 第29-47页 |
| 3.1 室内移动三维测图中的点云数据获取 | 第29-33页 |
| 3.1.1 室内移动三维测图的软硬件系统 | 第29-31页 |
| 3.1.2 点云的预处理 | 第31-33页 |
| 3.2 三维点云分割的一般方法 | 第33-36页 |
| 3.2.1 欧氏聚类模型 | 第33-34页 |
| 3.2.2 向量差模型 | 第34-35页 |
| 3.2.3 区域生长模型 | 第35-36页 |
| 3.3 基于混合模型的区域生长 | 第36-40页 |
| 3.3.1 点云底层特征的计算 | 第36-37页 |
| 3.3.2 种子点的选取与区域生长 | 第37-38页 |
| 3.3.3 基于点云分割评价模型的混合权值选取 | 第38-40页 |
| 3.4 基于混合模型的点云分割实验 | 第40-46页 |
| 3.4.1 实验的置信数据 | 第40页 |
| 3.4.2 混合模型的相关参数设置 | 第40-42页 |
| 3.4.3 经典分割算法与混合模型区域生长算法的性能对比 | 第42-45页 |
| 3.4.4 结果分析 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 多信息融合的点云特征提取 | 第47-55页 |
| 4.1 多信息融合的原理与方法 | 第47页 |
| 4.2 颜色与纹理特征的提取 | 第47-52页 |
| 4.2.1 颜色直方图和颜色矩的提取 | 第48-49页 |
| 4.2.2 HOG特征的提取 | 第49-52页 |
| 4.3 三维形状与几何特征的提取 | 第52-54页 |
| 4.3.1 FPFH(Fast Point Feature Histograms)特征的提取 | 第52-53页 |
| 4.3.2 其他形状特征的提取 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 基于迭代马尔科夫网络的三维场景语义标注 | 第55-71页 |
| 5.1 数据库 | 第55-57页 |
| 5.1.1 三种带语义标注的三维数据库的对比 | 第55-56页 |
| 5.1.2 本文的点云分割块标注系统 | 第56-57页 |
| 5.2 基于迭代马尔科夫网络的语义标注模型 | 第57-62页 |
| 5.2.1 语义标注问题的形式表述 | 第57页 |
| 5.2.2 基于SVM的最大后验估计 | 第57-58页 |
| 5.2.3 基于马尔科夫网络的室内环境上下文建模 | 第58-60页 |
| 5.2.4 迭代全局马尔科夫网络推导 | 第60-62页 |
| 5.3 实验验证与分析 | 第62-68页 |
| 5.3.1 基于Cornell RGBD Dataset的自动语义标注 | 第62-66页 |
| 5.3.2 基于移动机器人自动语义标注 | 第66-68页 |
| 5.4 本章小结 | 第68-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 全文总结 | 第71页 |
| 6.2 下一步工作展望 | 第71-73页 |
| 参考文献 | 第73-81页 |
| 附录 | 第81-83页 |
| 致谢 | 第83页 |
