| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14页 |
| 1.2 国内外研究现状分析 | 第14-19页 |
| 1.2.1 空间数据聚类方法研究 | 第14-16页 |
| 1.2.2 点云分割算法研究 | 第16-18页 |
| 1.2.3 基于语义信息的点云细分割方法研究 | 第18-19页 |
| 1.2.4 研究现状分析 | 第19页 |
| 1.3 研究目标与研究内容 | 第19-21页 |
| 1.3.1 研究目标 | 第19-20页 |
| 1.3.2 研究内容 | 第20页 |
| 1.3.3 拟解决的关键问题 | 第20-21页 |
| 1.4 研究方法和技术路线 | 第21-23页 |
| 1.4.1 研究方法 | 第21页 |
| 1.4.2 技术路线 | 第21-23页 |
| 第2章 室内SLAM点云数据预处理 | 第23-29页 |
| 2.1 M3室内移动三维实景数据采集系统 | 第23-25页 |
| 2.2 基于KD树的点云空间数据索引 | 第25-26页 |
| 2.3 点云数据简化与去噪 | 第26-28页 |
| 2.3.1 去除点云离散点 | 第26-27页 |
| 2.3.2 点云数据简化 | 第27-28页 |
| 2.4 章节小结 | 第28-29页 |
| 第3章 三维点云数据的粗分割 | 第29-40页 |
| 3.1 直方图统计分析 | 第29-31页 |
| 3.2 3D-FDBSCAN快速自动化聚类分割 | 第31-39页 |
| 3.2.1 基于密度的三维空间聚类方法分析 | 第31-33页 |
| 3.2.2 参数的自动估计 | 第33-34页 |
| 3.2.3 快速聚类 | 第34-39页 |
| 3.3 恢复点云数据 | 第39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 三维点云数据的细分割与分类 | 第40-52页 |
| 4.1 点云微分信息估算 | 第40-41页 |
| 4.1.1 法向量估算 | 第40页 |
| 4.1.2 二阶微分量计算 | 第40-41页 |
| 4.2 基于颜色的区域生长分割 | 第41-43页 |
| 4.2.1 算法原理 | 第41-42页 |
| 4.2.2 聚类分割 | 第42-43页 |
| 4.3 全景影像分割与几何结构信息获取 | 第43-46页 |
| 4.3.1 全景影像分割与标记 | 第43-45页 |
| 4.3.2 点云匹配 | 第45-46页 |
| 4.4 基于几何结构信息辅助的RANSAC分割 | 第46-51页 |
| 4.4.1 RANSAC算法 | 第46-47页 |
| 4.4.2 模型设定与分割 | 第47-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 算法实现与验证 | 第52-60页 |
| 5.1 实验方法与环境 | 第52-53页 |
| 5.1.1 实验方法 | 第52-53页 |
| 5.1.2 实验运行环境 | 第53页 |
| 5.2 实验数据预处理 | 第53-55页 |
| 5.2.1 空间索引的构建 | 第53页 |
| 5.2.2 去除点云离散点 | 第53-54页 |
| 5.2.3 点云简化 | 第54页 |
| 5.2.4 点云数据直方图统计分析 | 第54-55页 |
| 5.3 点云粗分割 | 第55-57页 |
| 5.3.1 快速自动化聚类分割 | 第55-56页 |
| 5.3.2 DBSCAN、FDBSCAN与本文算法的实验比较分析 | 第56-57页 |
| 5.4 点云细分割 | 第57-58页 |
| 5.5 章节小结 | 第58-60页 |
| 第6章 结论与展望 | 第60-62页 |
| 6.1 主要研究工作与成果 | 第60页 |
| 6.2 研究结论 | 第60-61页 |
| 6.3 问题与展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-69页 |