室内场景三维目标识别的研究与应用
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景 | 第8页 |
| 1.2 室内场景三维目标识别研究现状 | 第8-12页 |
| 1.3 论文主要工作及章节安排 | 第12-14页 |
| 1.3.1 主要研究内容 | 第12-13页 |
| 1.3.2 章节安排 | 第13-14页 |
| 2 深度图获取与预处理 | 第14-25页 |
| 2.1 深度图概念 | 第14页 |
| 2.2 深度图获取 | 第14-17页 |
| 2.2.1 立体视觉技术 | 第15页 |
| 2.2.2 激光雷达成像 | 第15-16页 |
| 2.2.3 结构光成像 | 第16-17页 |
| 2.3 深度图预处理 | 第17-21页 |
| 2.3.1 空洞填充 | 第18-20页 |
| 2.3.2 引导滤波 | 第20-21页 |
| 2.4 实验结果与分析 | 第21-23页 |
| 2.5 本章小结 | 第23-25页 |
| 3 基于支持向量机的室内场景三维目标识别 | 第25-52页 |
| 3.1 模型介绍 | 第25-26页 |
| 3.2 彩色图的SIFT特征描述 | 第26-30页 |
| 3.3 深度图的三维特征描述及融合 | 第30-39页 |
| 3.3.1 点云坐标计算 | 第30-33页 |
| 3.3.2 三维特征描述 | 第33-38页 |
| 3.3.3 特征融合 | 第38-39页 |
| 3.4 分类识别 | 第39-46页 |
| 3.4.1 支持向量机 | 第39-46页 |
| 3.4.2 核函数与参数的选择 | 第46页 |
| 3.5 识别结果融合 | 第46-48页 |
| 3.5.1 BPA函数构造 | 第46-47页 |
| 3.5.2 决策输出 | 第47-48页 |
| 3.6 实验结果与分析 | 第48-51页 |
| 3.6.1 实验设置 | 第48-49页 |
| 3.6.2 实验结果与分析 | 第49-51页 |
| 3.7 本章小结 | 第51-52页 |
| 4 基于卷积神经网络的室内场景三维目标识别 | 第52-62页 |
| 4.1 模型介绍 | 第52-53页 |
| 4.2 预处理 | 第53-54页 |
| 4.3 Alexnet模型微调 | 第54-59页 |
| 4.3.1 Alexnet模型 | 第54-57页 |
| 4.3.2 模型微调 | 第57-59页 |
| 4.4 分类结果融合 | 第59页 |
| 4.5 实验结果与分析 | 第59-61页 |
| 4.5.1 实验设置 | 第59-60页 |
| 4.5.2 实验结果与分析 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位论文期间发表的学术论文及研究成果 | 第70页 |
