基于卷积神经网络的点云配准方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11页 |
| 1.4 本文研究的主要内容及组织结构 | 第11-12页 |
| 1.5 本章小结 | 第12-13页 |
| 2 点云配准的相关理论 | 第13-25页 |
| 2.1 点云配准 | 第13-21页 |
| 2.1.1 点云数据分类 | 第16-18页 |
| 2.1.2 点云数据采集 | 第18-19页 |
| 2.1.3 点云初始匹配常用方法 | 第19-21页 |
| 2.2 卷积神经网络 | 第21-23页 |
| 2.3 本章小结 | 第23-25页 |
| 3 基于OV-CNN架构的3D数据采集 | 第25-33页 |
| 3.1 ICP匹配算法数据采集 | 第25-26页 |
| 3.2 使用OV-CNN进行分类 | 第26-28页 |
| 3.2.1 卷积神经网络(CNN) | 第26-27页 |
| 3.2.2 逻辑回归(LR) | 第27-28页 |
| 3.2.3 全连接层(FC) | 第28页 |
| 3.3 基于正交视图的CNN网络架构 | 第28-30页 |
| 3.3.1 与决策层融合的CNN | 第28-29页 |
| 3.3.2 与LR层融合的CNN | 第29页 |
| 3.3.3 与全连接层融合的CNN | 第29-30页 |
| 3.4 实验结果与分析 | 第30-31页 |
| 3.4.1 参数选择 | 第30-31页 |
| 3.4.2 分类体系结构的评估 | 第31页 |
| 3.5 本章小结 | 第31-33页 |
| 4 基于LORAX算法的点云配准算法改进 | 第33-41页 |
| 4.1 LORAX配准算法 | 第33-37页 |
| 4.2 基于LORAX配准算法改进 | 第37-39页 |
| 4.2.1 FC_CNN与LORAX的结合 | 第37页 |
| 4.2.2 分层采集点云数据 | 第37-38页 |
| 4.2.3 配准误差计算方法 | 第38-39页 |
| 4.3 实验结果与分析 | 第39-40页 |
| 4.3.1 分层数据集配准结果 | 第39页 |
| 4.3.2 数据集配准结果 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 5 总结与展望 | 第41-43页 |
| 5.1 本文总结 | 第41-42页 |
| 5.2 不足与展望 | 第42-43页 |
| 参考文献 | 第43-49页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第49-50页 |
| 致谢 | 第50-51页 |
