| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-23页 |
| ·研究目的和意义 | 第9-10页 |
| ·课题来源 | 第10-11页 |
| ·国内外研究现状及分析 | 第11-20页 |
| ·移动设备目标识别研究 | 第11-13页 |
| ·目标识别中多源传感器融合应用 | 第13-16页 |
| ·林业装备的智能检测系统 | 第16-19页 |
| ·研究现状中现存的主要问题 | 第19-20页 |
| ·本文主要工作 | 第20-23页 |
| ·研究内容 | 第20-21页 |
| ·研究方法 | 第21页 |
| ·技术路线 | 第21-23页 |
| 2 面向林业特种装备用人工林环境信息采集系统 | 第23-44页 |
| ·人工林环境信息采集测量系统 | 第23-27页 |
| ·景深相机 | 第24-25页 |
| ·惯性测量设备 | 第25页 |
| ·LMS511激光扫描仪设备 | 第25-27页 |
| ·LMS511激光扫描仪工作参数及通讯设置 | 第27-30页 |
| ·车载云台机构设计及分析 | 第30-33页 |
| ·车载云台机构设计及建模 | 第30-31页 |
| ·车载云台机构有限元分析 | 第31-33页 |
| ·云台控制器开发 | 第33-35页 |
| ·云台控制器开发 | 第33-34页 |
| ·云台控制器报文 | 第34-35页 |
| ·车载信息采集处理系统设计 | 第35-38页 |
| ·车载信息采集处理系统搭建 | 第35-37页 |
| ·车载信息采集处理与通信软件 | 第37-38页 |
| ·人工林环境信息采集试验情况 | 第38-43页 |
| ·实验地点与环境 | 第38-40页 |
| ·实验特种装备 | 第40-41页 |
| ·原始数据采集情况 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 3 多传感器数据的联合标定 | 第44-70页 |
| ·车载三维激光点云构建模型 | 第44-47页 |
| ·三维激光点云构建模型 | 第44-46页 |
| ·基于惯性数据的三维激光点云修正 | 第46-47页 |
| ·三维点云去噪处理 | 第47-50页 |
| ·有序扫描线性点云数据 | 第48-49页 |
| ·滤波去噪实验 | 第49-50页 |
| ·相机的内部参数标定 | 第50-55页 |
| ·线性针孔标定模型 | 第50-52页 |
| ·非线性畸变模型 | 第52-54页 |
| ·张氏法相机标定试验 | 第54-55页 |
| ·三维激光仪和景深相机联合参数标定 | 第55-69页 |
| ·传统联合标定方法 | 第55-57页 |
| ·激光抖动误差叠加均值优化 | 第57-60页 |
| ·激光步进角误差增量优化 | 第60-63页 |
| ·构建多线段联合外参标定模型 | 第63-66页 |
| ·外部参数标定试验 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 4 融合点云的超体素化 | 第70-88页 |
| ·三维点云的体素化 | 第70-71页 |
| ·基于光斑发散和能量分布的点云体素化 | 第71-76页 |
| ·激光光斑尺寸和能量分布情况 | 第71-72页 |
| ·基于光斑发散和能量分布的体素化 | 第72-76页 |
| ·基于体素尺寸梯度的融合点云超体素化 | 第76-84页 |
| ·超体素化研究现状 | 第76-78页 |
| ·基于体素尺寸梯度的融合点云超体素化 | 第78-84页 |
| ·人工林环境融合点云超体素化试验 | 第84-87页 |
| ·本章小结 | 第87-88页 |
| 5 融合点云的分步级联分割 | 第88-109页 |
| ·地面综合特征相异分割 | 第88-90页 |
| ·基于优化高斯核密度峰值聚类的分割算法 | 第90-100页 |
| ·基于超体素特征的密度峰值聚类 | 第91-93页 |
| ·基于优化高斯核密度峰值聚类的分割算法 | 第93-100页 |
| ·基于超体素特征的条件随机场优化分割 | 第100-105页 |
| ·条件随机场模型 | 第101-102页 |
| ·基于超体素特征的条件随机场分割模型 | 第102-103页 |
| ·势能函数构建 | 第103-105页 |
| ·参数估计及模型推断 | 第105页 |
| ·人工林环境中融合点云分步级联分割试验 | 第105-108页 |
| ·本章小结 | 第108-109页 |
| 6 基于多类高斯粒度核模糊支持向量机的林区目标分类研究 | 第109-131页 |
| ·基于融合数据的目标特征提取 | 第109-115页 |
| ·视觉特征提取 | 第109-110页 |
| ·反射强度特征 | 第110-111页 |
| ·三维空间特征 | 第111页 |
| ·特征分析 | 第111-115页 |
| ·人工林环境目标的识别和分类 | 第115-122页 |
| ·Adaboost分类器 | 第115-116页 |
| ·RBF神经网络分类器 | 第116-117页 |
| ·线性支持向量机分类器 | 第117-119页 |
| ·基于不同识别算法的人工林环境目标分类结果 | 第119-122页 |
| ·基于多类高斯粒度核的模糊支持向量机的分类算法 | 第122-130页 |
| ·高斯粒度核化的支持向量机 | 第122-124页 |
| ·多类高斯粒度核的模糊支持向量机模型 | 第124-126页 |
| ·基于多类高斯粒度核的模糊支持向量机的人工林目标识别试验 | 第126-130页 |
| ·本章总结 | 第130-131页 |
| 7 结论与展望 | 第131-133页 |
| ·结论 | 第131-132页 |
| ·创新点 | 第132页 |
| ·不足与展望 | 第132-133页 |
| 参考文献 | 第133-140页 |
| 个人简介 | 第140-141页 |
| 导师简介 | 第141-142页 |
| 第二导师简介 | 第142-143页 |
| 获得成果目录 | 第143-145页 |
| 致谢 | 第145页 |