基于机器学习和三维重建的远程量体系统
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-24页 |
| 1.1 课题背景 | 第10-12页 |
| 1.2 机器学习预测模型 | 第12-17页 |
| 1.2.1 随机森林算法原理 | 第12-14页 |
| 1.2.2 GBRT模型算法原理 | 第14-16页 |
| 1.2.3 支持向量回归算法原理 | 第16-17页 |
| 1.3 多序列三维重建技术 | 第17-22页 |
| 1.3.1 摄像机模型 | 第17-19页 |
| 1.3.2 运动恢复结构方法 | 第19-20页 |
| 1.3.3 深度恢复 | 第20-22页 |
| 1.4 本章小结 | 第22-24页 |
| 第2章 基于GBRT的人体身材数据获取 | 第24-39页 |
| 2.1 问题描述 | 第24-25页 |
| 2.2 特征工程 | 第25-32页 |
| 2.2.1 数据预处理 | 第25-28页 |
| 2.2.2 特征构造 | 第28-32页 |
| 2.3 实验结果与分析 | 第32-38页 |
| 2.3.1 特征重要性分析 | 第33-35页 |
| 2.3.2 模型状态验证 | 第35-37页 |
| 2.3.3 实验结果及对比分析 | 第37-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第3章 基于三维重建的人体身材数据获取 | 第39-63页 |
| 3.1 问题描述 | 第39-40页 |
| 3.2 初始模型获取 | 第40-42页 |
| 3.3 ICP点云精配准 | 第42-48页 |
| 3.4 测地线计算 | 第48-50页 |
| 3.5 实验结果与分析 | 第50-61页 |
| 3.5.1 ICP精配准实验结果 | 第53-55页 |
| 3.5.2 测地线实验结果 | 第55-58页 |
| 3.5.3 两种量体方法的对比分析 | 第58-60页 |
| 3.5.4 结合三维量体的GBRT算法 | 第60-61页 |
| 3.6 本章小结 | 第61-63页 |
| 第4章 总结与展望 | 第63-65页 |
| 4.1 总结 | 第63-64页 |
| 4.2 展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间主要的研究成果 | 第70-71页 |
| 致谢 | 第71页 |
