| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 课题的背景和意义 | 第15-17页 |
| 1.2 本文的研究工作和创新之处 | 第17-18页 |
| 1.3 本文的组织结构及章节安排 | 第18-21页 |
| 第二章 论文相关技术研究现状 | 第21-33页 |
| 2.1 激光扫描系统 | 第21-24页 |
| 2.1.1 车载激光扫描系统 | 第21-22页 |
| 2.1.2 静态激光扫描系统 | 第22-23页 |
| 2.1.3 激光扫描数据结构 | 第23-24页 |
| 2.2 深度学习方法 | 第24-27页 |
| 2.2.1 发展历程 | 第25页 |
| 2.2.2 卷积神经网络 | 第25-27页 |
| 2.3 三维目标分类与检测的研究现状 | 第27-31页 |
| 2.3.1 一般三维物体分类方法 | 第27-28页 |
| 2.3.2 三维点云树种分类方法 | 第28页 |
| 2.3.3 二维图像上的目标检测 | 第28-30页 |
| 2.3.4 三维点云场景中的目标检测 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于多视角栅格化与深度学习的单树点云分类 | 第33-55页 |
| 3.1 引言 | 第33-34页 |
| 3.2 方法框架 | 第34-35页 |
| 3.3 算法描述 | 第35-47页 |
| 3.3.1 基于网格划分和中心密度的单树提取 | 第35-38页 |
| 3.3.2 单树点云数据预处理 | 第38-42页 |
| 3.3.3 树木点云栅格化 | 第42-44页 |
| 3.3.4 基于深度学习的树种分类 | 第44-46页 |
| 3.3.5 网络训练过程以及测试过程 | 第46-47页 |
| 3.4 实验结果与分析 | 第47-53页 |
| 3.4.1 实验数据以及实验环境 | 第47-50页 |
| 3.4.2 分类结果以及比较实验 | 第50-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第四章 基于多视角图像映射和深度学习的点云车辆检测 | 第55-69页 |
| 4.1 引言 | 第55页 |
| 4.2 方法框架 | 第55-57页 |
| 4.3 算法描述 | 第57-63页 |
| 4.3.1 基于网络公开数据集的模型预训练 | 第57页 |
| 4.3.2 使用深度学习进行多尺度检测 | 第57-60页 |
| 4.3.3 原始点云场景与图像的对应关系 | 第60-61页 |
| 4.3.4 点云候选区域在图像中的映射 | 第61-63页 |
| 4.4 实验结果与分析 | 第63-68页 |
| 4.4.1 实验数据以及实验环境 | 第63-64页 |
| 4.4.2 检测结果与对比实验 | 第64-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69-70页 |
| 5.2 未来的工作 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-79页 |
| 致谢 | 第79页 |