| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 选题背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 国外研究现状 | 第9-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文章内容和章节安排 | 第13-15页 |
| 第二章 汽车保险杠的识别与位姿估计方案架构 | 第15-21页 |
| 2.1 研究方案设计 | 第15-17页 |
| 2.2 三维点云采集方法简介 | 第17-18页 |
| 2.3 点云的预处理和分割 | 第18-19页 |
| 2.4 点云特征的描述方式和识别分类 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 三维点云处理和分割 | 第21-32页 |
| 3.1 三维点云预处理 | 第21-23页 |
| 3.1.1 点云滤波 | 第21-22页 |
| 3.1.2 体素化网格滤波 | 第22-23页 |
| 3.2 点云的聚类分割 | 第23-26页 |
| 3.2.1 基于随机采样一致性的分割（RANSAC） | 第23-24页 |
| 3.2.2 K-means聚类方法 | 第24-25页 |
| 3.2.3 保险杠点云分割实验 | 第25-26页 |
| 3.3 点云的特征点区分滤波 | 第26-31页 |
| 3.3.1 Thrift局部特征点 | 第26-29页 |
| 3.3.2 特征点区别滤波 | 第29页 |
| 3.3.3 特征点区别滤波实验 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 点云的特征描述 | 第32-49页 |
| 4.1 PFH特征描述子概念 | 第32-34页 |
| 4.2 VFH特征向量 | 第34-37页 |
| 4.3 VFH特征提取实验 | 第37-38页 |
| 4.4 主成成分分析法原理 | 第38-44页 |
| 4.4.1 主成成分法基本思想 | 第38-39页 |
| 4.4.2 主成分分析的数学模型及几何意义 | 第39-41页 |
| 4.4.3 主成分分析的推导 | 第41-44页 |
| 4.5 主成分分析应用于VFH特征向量的原理分析 | 第44-47页 |
| 4.6 本章小结 | 第47-49页 |
| 第五章 点云的识别和位姿估计 | 第49-66页 |
| 5.1 SVM分类器应用 | 第49-59页 |
| 5.1.1 支持向量机SVM介绍 | 第49-50页 |
| 5.1.2 支持向量机SVM分类原理 | 第50-53页 |
| 5.1.3 树搜索方式进行方位估计实验 | 第53-54页 |
| 5.1.4 SVM用于识别汽车保险杠的分类实验 | 第54-59页 |
| 5.2 神经网络和位姿估计实验 | 第59-63页 |
| 5.2.1 神经网络介绍 | 第59-61页 |
| 5.2.2 神经网络应用的实验和分析 | 第61-63页 |
| 5.3 ICP匹配过程验证 | 第63-65页 |
| 5.3.1 ICP原理 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74页 |