本文針對三維點云數(shù)據(jù)的不均勻問題以及三維場景的語義分割問題,通過對三維點云數(shù)據(jù)的采集原理以及相關處理技術進行深入理解,提出了基于二維圖像灰度的插值算法和三維點云語義分割網(wǎng)絡模型LGF-Net（Local feature and Global feature Fusion Network）。具體工作內(nèi)容如下:（1）針對點云的不均勻問題,本文將點云的均勻性計算作為后續(xù)插值算法的基礎,提出了基于二維圖像灰度的插值算法。該算法首先利用點云的均勻性計算結(jié)果對點云進行標記,確定進行插值算法的待插值區(qū)域,再將三維點云數(shù)據(jù)和二維圖像數(shù)據(jù)進行融合。插值算法主要通過近鄰點二維圖像灰度與當前插值點灰度的差值進行自適應加權(quán),再對待插值點進行深度預測。相對于傳統(tǒng)插值方法,本算法在提升點云密度的同時,提高了點云的均勻度。（2）針對三維點云場景的語義分割任務,本文在PointNet網(wǎng)絡模型基礎上,提出了改進的網(wǎng)絡模型LGF-Net。網(wǎng)絡提取深層特征的卷積層采用基于最遠點采樣算法的逐點卷積方式提取點云的全局特征信息。網(wǎng)絡的提取淺層特征的卷積層應用了方向編碼卷積以提取點云的局部特征信息。融合局部特征和全局特征后,LGF... 

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
第1章 緒論
    1.1 本文研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 點云密度提升技術
        1.2.2 語義分割
        1.2.3 點云的語義分割
    1.3 論文的研究目的和意義
    1.4 論文的組織結(jié)構(gòu)
第2章 三維點云數(shù)據(jù)相關基本理論
    2.1 數(shù)據(jù)采集
        2.1.1 激光雷達成像原理
        2.1.2 相機成像原理
        2.1.3 激光雷達和相機標定及配準
    2.2 點云處理
        2.2.1 點云預處理
        2.2.2 點云常用空間插值算法
    2.3 點云語義分割相關技術介紹
        2.3.1 基于圖像的語義分割技術
        2.3.2 基于三維點云的語義分割技術
第3章 基于點云均勻性和圖像灰度自適應加權(quán)的點云插值方法
    3.1 三維點云的均勻性計算以及與圖像的融合
        3.1.1 三維點云數(shù)據(jù)的預處理及均勻性計算
        3.1.2 三維點云從世界坐標系轉(zhuǎn)換到圖像坐標系
        3.1.3 RGB數(shù)據(jù)與三維點云數(shù)據(jù)的對齊
    3.2 基于二維圖像灰度信息和均勻性判斷的插值方法
        3.2.1 基于鄰域搜索的自適應待插值區(qū)域
        3.2.2 基于像素灰度自適應加權(quán)的深度預測
        3.2.3 算法表現(xiàn)
第4章 基于三維點云數(shù)據(jù)的語義分割網(wǎng)絡
    4.1 三維場景分割模型
        4.1.1 基于歐式距離的聚類算法
        4.1.2 基于深度學習的網(wǎng)絡模型—PointNet
    4.2 網(wǎng)絡優(yōu)化
        4.2.1 優(yōu)化網(wǎng)絡結(jié)構(gòu)
        4.2.2 損失函數(shù)優(yōu)化
    4.3 基于采樣算法的逐點卷積
        4.3.1 最遠點采樣法
        4.3.2 逐點卷積實現(xiàn)
    4.4 方向編碼卷積
    4.5 實驗設計與結(jié)果分析
        4.5.1 數(shù)據(jù)集介紹
        4.5.2 實驗結(jié)果與分析
第5章 總結(jié)和展望
    5.1 總結(jié)
    5.2 展望
參考文獻
攻讀碩士學位期間主要的研究成果


【參考文獻】：
期刊論文
[1]基于深度學習的三維模型重建檢索算法研究[J]. 馮智鍵,周燕,曾凡智,江展鋒.  福建電腦. 2017(11)
[2]基于內(nèi)容的圖像分割方法綜述[J]. 姜楓,顧慶,郝慧珍,李娜,郭延文,陳道蓄.  軟件學報. 2017(01)
[3]基于離散點云數(shù)據(jù)的森林冠層高度模型插值方法[J]. 段祝庚,肖化順,袁偉湘.  林業(yè)科學. 2016(09)
[4]深度卷積神經(jīng)網(wǎng)絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[5]對張正友相機標定法的改進研究[J]. 劉艷,李騰飛.  光學技術. 2014(06)
[6]基于Kriging算法與曲面擬合的三維激光掃描點云數(shù)據(jù)插值研究[J]. 刁鑫鵬,吳侃.  大地測量與地球動力學. 2012(01)
[7]基于Kriging方法的空間數(shù)據(jù)插值研究[J]. 曾懷恩,黃聲享.  測繪工程. 2007(05)
[8]一種基于TIN的DEM表面插值模型[J]. 楊成松,朱長青,陶大欣.  地理與地理信息科學. 2007(01)
[9]機器視覺中針孔模型攝像機的自標定方法[J]. 藍慕云,劉建瓴,吳庭萬,劉桂雄.  機電產(chǎn)品開發(fā)與創(chuàng)新. 2006(01)
[10]基于支持向量機的圖像語義分類(英文)[J]. 萬華林,Morshed U.Chowdhury.  軟件學報. 2003(11)

博士論文
[1]面向室內(nèi)場景的3D場景重建與語義理解[D]. 趙哲.中國科學技術大學 2016
[2]面向服務機器人的室內(nèi)語義地圖構(gòu)建的研究[D]. 王鋒.中國科學技術大學 2014

碩士論文
[1]基于RGB-D圖像的室內(nèi)場景語義分割方法[D]. 馮希龍.南京郵電大學 2015
[2]三維點云場景語義分割建模研究[D]. 陸桂亮.南京大學 2014
[3]基于迭代馬爾科夫網(wǎng)絡的室內(nèi)三維點云語義標注研究[D]. 林思遠.廈門大學 2014
[4]基于區(qū)域統(tǒng)計特性的場景分類方法研究[D]. 苗京京.電子科技大學 2012
[5]基于密度的聚類算法研究[D]. 楊建紅.長春工業(yè)大學 2010



本文編號：3665592