| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 研究现状与发展趋势 | 第8-10页 |
| 1.2.1 基于人工特征场景理解方法的现状与趋势 | 第8-9页 |
| 1.2.2 基于深度学习场景理解方法的现状与趋势 | 第9-10页 |
| 1.3 本文的主要工作及创新点 | 第10-13页 |
| 2 激光点云数据的获取与图像化表述 | 第13-24页 |
| 2.1 三维激光点云数据获取 | 第13-16页 |
| 2.1.1 定点扫描 | 第13-14页 |
| 2.1.2 动态扫描 | 第14-16页 |
| 2.2 激光点云数据的图像化表述 | 第16-24页 |
| 2.2.1 三维激光点云到像素平面的投影方法 | 第18-21页 |
| 2.2.2 图像灰度值的计算方法 | 第21-24页 |
| 3 基于多尺度人工特征的室外场景理解 | 第24-43页 |
| 3.1 图像特征提取 | 第24-28页 |
| 3.1.1 基于PBA图模型的邻域选择 | 第25-26页 |
| 3.1.2 基于PBA图模型的特征提取 | 第26-28页 |
| 3.2 点云特征提取 | 第28-32页 |
| 3.2.1 点云数据的邻域选择 | 第28-29页 |
| 3.2.2 点云数据的特征提取 | 第29-32页 |
| 3.3 点云分类 | 第32-35页 |
| 3.3.1 基于RandomForest的点云分类 | 第32-33页 |
| 3.3.2 基于像素邻域关系的再分类 | 第33-35页 |
| 3.4 实验结果及分析 | 第35-43页 |
| 3.4.1 对静态扫描方式获取点云的分类结果 | 第35-40页 |
| 3.4.2 对动态扫描方式获取点云的分类结果 | 第40-43页 |
| 4 基于全卷积网络的室外场景理解 | 第43-60页 |
| 4.1 全卷积网络模型 | 第43-44页 |
| 4.2 序列化投影图像的生成 | 第44-49页 |
| 4.3 基于FCN模型的场景理解 | 第49-52页 |
| 4.3.1 基于FCN模型的语义分割 | 第49-51页 |
| 4.3.2 像素标签到点云标签的反映射 | 第51-52页 |
| 4.4 实验结果及分析 | 第52-57页 |
| 4.4.1 语义分割结果 | 第52-54页 |
| 4.4.2 点云分类结果 | 第54-57页 |
| 4.4.3 结果分析 | 第57页 |
| 4.5 本文两种场景理解方法的对比与分析 | 第57-60页 |
| 5 总结与展望 | 第60-61页 |
| 5.1 本文总结 | 第60页 |
| 5.2 本文展望 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表学术论文情况 | 第66页 |
| 课题资助情况 | 第66-67页 |
| 致谢 | 第67-69页 |