本文針對三維點(diǎn)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(diǎn)云數(shù)據(jù)的采集原理以及相關(guān)處理技術(shù)進(jìn)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(diǎn)云語義分割網(wǎng)絡(luò)模型LGF-Net（Local feature and Global feature Fusion Network）。具體工作內(nèi)容如下:（1）針對點(diǎn)云的不均勻問題,本文將點(diǎn)云的均勻性計(jì)算作為后續(xù)插值算法的基礎(chǔ),提出了基于二維圖像灰度的插值算法。該算法首先利用點(diǎn)云的均勻性計(jì)算結(jié)果對點(diǎn)云進(jìn)行標(biāo)記,確定進(jìn)行插值算法的待插值區(qū)域,再將三維點(diǎn)云數(shù)據(jù)和二維圖像數(shù)據(jù)進(jìn)行融合。插值算法主要通過近鄰點(diǎn)二維圖像灰度與當(dāng)前插值點(diǎn)灰度的差值進(jìn)行自適應(yīng)加權(quán),再對待插值點(diǎn)進(jìn)行深度預(yù)測。相對于傳統(tǒng)插值方法,本算法在提升點(diǎn)云密度的同時(shí),提高了點(diǎn)云的均勻度。（2）針對三維點(diǎn)云場景的語義分割任務(wù),本文在PointNet網(wǎng)絡(luò)模型基礎(chǔ)上,提出了改進(jìn)的網(wǎng)絡(luò)模型LGF-Net。網(wǎng)絡(luò)提取深層特征的卷積層采用基于最遠(yuǎn)點(diǎn)采樣算法的逐點(diǎn)卷積方式提取點(diǎn)云的全局特征信息。網(wǎng)絡(luò)的提取淺層特征的卷積層應(yīng)用了方向編碼卷積以提取點(diǎn)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(xué)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(diǎn)云密度提升技術(shù)
        1.2.2 語義分割
        1.2.3 點(diǎn)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(diǎn)云數(shù)據(jù)相關(guān)基本理論
    2.1 數(shù)據(jù)采集
        2.1.1 激光雷達(dá)成像原理
        2.1.2 相機(jī)成像原理
        2.1.3 激光雷達(dá)和相機(jī)標(biāo)定及配準(zhǔn)
    2.2 點(diǎn)云處理
        2.2.1 點(diǎn)云預(yù)處理
        2.2.2 點(diǎn)云常用空間插值算法
    2.3 點(diǎn)云語義分割相關(guān)技術(shù)介紹
        2.3.1 基于圖像的語義分割技術(shù)
        2.3.2 基于三維點(diǎn)云的語義分割技術(shù)
第3章 基于點(diǎn)云均勻性和圖像灰度自適應(yīng)加權(quán)的點(diǎn)云插值方法
    3.1 三維點(diǎn)云的均勻性計(jì)算以及與圖像的融合
        3.1.1 三維點(diǎn)云數(shù)據(jù)的預(yù)處理及均勻性計(jì)算
        3.1.2 三維點(diǎn)云從世界坐標(biāo)系轉(zhuǎn)換到圖像坐標(biāo)系
        3.1.3 RGB數(shù)據(jù)與三維點(diǎn)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(yīng)待插值區(qū)域
        3.2.2 基于像素灰度自適應(yīng)加權(quán)的深度預(yù)測
        3.2.3 算法表現(xiàn)
第4章 基于三維點(diǎn)云數(shù)據(jù)的語義分割網(wǎng)絡(luò)
    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(xué)習(xí)的網(wǎng)絡(luò)模型—PointNet
    4.2 網(wǎng)絡(luò)優(yōu)化
        4.2.1 優(yōu)化網(wǎng)絡(luò)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(diǎn)卷積
        4.3.1 最遠(yuǎn)點(diǎn)采樣法
        4.3.2 逐點(diǎn)卷積實(shí)現(xiàn)
    4.4 方向編碼卷積
    4.5 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        4.5.1 數(shù)據(jù)集介紹
        4.5.2 實(shí)驗(yàn)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(xiàn)
攻讀碩士學(xué)位期間主要的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)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(xué)報(bào). 2017(01)
[3]基于離散點(diǎn)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(xué). 2016(09)
[4]深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)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(jī)標(biāo)定法的改進(jìn)研究[J]. 劉艷,李騰飛.  光學(xué)技術(shù). 2014(06)
[6]基于Kriging算法與曲面擬合的三維激光掃描點(diǎn)云數(shù)據(jù)插值研究[J]. 刁鑫鵬,吳侃.  大地測量與地球動(dòng)力學(xué). 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(xué). 2007(01)
[9]機(jī)器視覺中針孔模型攝像機(jī)的自標(biāo)定方法[J]. 藍(lán)慕云,劉建瓴,吳庭萬,劉桂雄.  機(jī)電產(chǎn)品開發(fā)與創(chuàng)新. 2006(01)
[10]基于支持向量機(jī)的圖像語義分類(英文)[J]. 萬華林,Morshed U.Chowdhury.  軟件學(xué)報(bào). 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(xué)技術(shù)大學(xué) 2016
[2]面向服務(wù)機(jī)器人的室內(nèi)語義地圖構(gòu)建的研究[D]. 王鋒.中國科學(xué)技術(shù)大學(xué) 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(xué) 2015
[2]三維點(diǎn)云場景語義分割建模研究[D]. 陸桂亮.南京大學(xué) 2014
[3]基于迭代馬爾科夫網(wǎng)絡(luò)的室內(nèi)三維點(diǎn)云語義標(biāo)注研究[D]. 林思遠(yuǎn).廈門大學(xué) 2014
[4]基于區(qū)域統(tǒng)計(jì)特性的場景分類方法研究[D]. 苗京京.電子科技大學(xué) 2012
[5]基于密度的聚類算法研究[D]. 楊建紅.長春工業(yè)大學(xué) 2010



本文編號：3665592