| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 研究现状与发展趋势 | 第9-11页 |
| 1.3 本文的主要工作及创新点 | 第11-13页 |
| 2 面向室外场景的点云数据获取及表述 | 第13-24页 |
| 2.1 三维激光数据获取 | 第13-18页 |
| 2.1.1 静态定点扫描 | 第13-14页 |
| 2.1.2 动态连续扫描 | 第14-16页 |
| 2.1.3 公开三维点云数据集 | 第16-18页 |
| 2.2 三维激光点云的二维图形化表述 | 第18-24页 |
| 2.2.1 二维BA图模型 | 第18-20页 |
| 2.2.2 基于改进BA图的OBA图模型 | 第20-24页 |
| 3 基于局部特征和Gentle-AdaBoost的场景理解 | 第24-41页 |
| 3.1 Gentle-AdaBoost算法原理 | 第24-25页 |
| 3.2 基于OBA图的快速点云分类 | 第25-28页 |
| 3.2.1 基于改进超像素算法的OBA图分割 | 第25-27页 |
| 3.2.2 局部纹理特征提取与点云分类 | 第27-28页 |
| 3.3 局部三维点云再分类 | 第28-32页 |
| 3.3.1 基于层次聚类的点云分割 | 第29-30页 |
| 3.3.2 基于点云几何特征的再分类 | 第30-32页 |
| 3.4 实验结果及分析 | 第32-41页 |
| 3.4.1 场景理解结果 | 第32-39页 |
| 3.4.2 算法耗时分析 | 第39-41页 |
| 4 基于上下文信息和CRF的场景理解 | 第41-62页 |
| 4.1 CRF 原理 | 第41-43页 |
| 4.2 基于超像素分割的随机场节点构建 | 第43-45页 |
| 4.3 基于CRF和超像素块节点的点云分类 | 第45-50页 |
| 4.3.1 特征提取 | 第46-49页 |
| 4.3.2 训练与推断 | 第49-50页 |
| 4.4 实验结果及分析 | 第50-59页 |
| 4.4.1 场景理解结果 | 第50-54页 |
| 4.4.2 泛化能力分析 | 第54-56页 |
| 4.4.3 算法耗时分析 | 第56-59页 |
| 4.5 两类场景理解方法的分析与讨论 | 第59-62页 |
| 4.5.1 点云分类结果对比分析 | 第59-60页 |
| 4.5.2 实用性讨论 | 第60-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表学术论文情况 | 第67页 |
| 课题资助情况 | 第67-68页 |
| 致谢 | 第68-69页 |