毕业论文（报告）高分辨率三维点云目标识别技术研究.docVIP

目 录 摘 要 i Abstract iii 第一章 绪论 1 1.1 课题背景与研究意义 1 1.1.1 高分辨率三维激光扫描系统组成及工作原理 3 1.1.2 高分辨率三维点云数据特性 6 1.1.3 高分辨率三维点云数据信息提取面临的挑战 7 1.2 课题研究现状 8 1.2.1 三维点云局部结构提取描述 11 1.2.2 三维点云独立目标检测识别 11 1.2.3 三维点云连续目标检测识别 12 1.3 论文主要工作及成果 14 1.4 论文内容安排 15 第二章 基于超体素邻域的三维点云局部结构提取 17 2.1 经典的三维点云空间结构描述 17 2.1.1 基于K-D树的空间结构描述 17 2.1.2 基于八叉树的空间结构描述 19 2.2 点云的超体素分割 20 2.2.1 邻域图构建 20 2.2.2 种子点选取 21 2.2.3 特征描述与距离度量 22 2.2.4 迭代聚类 22 2.2.5 超体素过分割算法特性分析 23 2.3 基于超体素邻域的点云局部结构描述 23 2.3.1 基于超体素邻域的三维局部结构提取 23 2.3.2 基于LBSS算子的三维局部结构判别能力评价 25 2.4 实验结果与分析 26 2.5 本章小结 27 表 目 录 表1.1 不同类型激光扫描系统工作参数对比 4 表3.1 训练与检测阶段运行时间 45 表4.1 训练与检测阶段运行时间 62 表4.2 检测阶段运行时间比较 62 表5.1 本章算法参数及其设置 77 表5.2 用于度量完整性的各项数值列表 78 表5.3 本章算法完整性度量结果 78 图 目 录 图1.1 不同激光扫描系统获取的三维点云数据 2 图1.2 RIEGL VMX-450车载激光扫描系统组成 5 图1.3 车载激光扫描系统工作原理图 6 图1.4 2005-2014年间三维点云目标检测识别相关论文情况 10 图1.5 论文各章节结构和关系 16 图2.1 K-D树空间划分示意图 18 图2.2 八叉树空间分割示意图 19 图2.3 超体素邻域图 21 图2.4 种子点选取示意图 21 图2.5 迭代聚类搜索顺序示意图 22 图2.6 三维点云目标超体素过分割结果 24 图2.7 基于超体素邻域的三维局部结构提取示意图 24 图2.8 基于超体素邻域的局部结构判别力评估结果 27 图3.1 霍夫森林模型旋转不变特性分析 34 图3.2 基于八叉树的三维局部结构提取 36 图3.3 距离加权旋转投票三维霍夫森林模型的训练过程 37 图3.4 距离加权旋转投票三维霍夫森林模型的检测过程 38 图3.5 旋转投票示意图 41 图3.6 本章算法检测性能曲线 42 图3.7 本章算法检测结果示意图 44 图3.8 本章算法参数敏感性分析 46 图3.9 特征分析直方图 46 图4.1 融合超体素的三维霍夫森林模型训练过程 51 图4.2 融合超体素的三维霍夫森林模型检测过程 52 图4.3 本章算法检测性能曲线 54 图4.4 本章算法目标检测结果图 57 图4.5 不同三维局部结构提取算法检测性能曲线 58 图4.6 不同投票策略的检测性能曲线 59 图4.7 不同超体素分辨率下算法的检测性能曲线 60 图4.8 特征分析直方图 61 图5.1 道路边界提取算法流程图 67 图5.2 测试场景点云数据与车辆轨迹线数据 68 图5.3 点云数据切分示意图 68 图5.4 三维点云显著性图构建及显著点提取 70 图5.5 路边石提取示意图 71 图5.6 路边石最低点提取 73 图5.7 路边石最低点融合结果 74 图5.8 路边石最低点融合与道路边界拟合示意图 75 图5.9 道路边界提取结果展示图 76 图5.10 基于箱线图的本章算法定位精度评估结果 78 摘 要 随着科学技术的不断进步，近几十年来，人类感知世界的手段已从以光学成像为主的二维感知手段发展到以激光扫描技术为主的三维感知手段。三维激光扫描激光扫描检测是分析理解的基础为场景点云和显著性的点云道路边界检测模型的了三维结构提取没有考虑目标结构控制局部结构尺寸缺陷 （2）针对特定类别的独立目标检测问题，引入机器学习方法，提出了基于距离加权旋转投票霍夫森林的三维点云独立目标检测模型。该模型证明方法复杂的场景如遮挡、重叠以及旋转等较高的鲁棒性。克服了基于目标的检测问题。具有较高的检测性能检测效率论文基于法向的，周边地物实验的分析与讨论，证明该方法具有较高的检测性能检测效率词：Abstract With the develo