基于三维点云数据的空间插值和场景语义分割研究
发布时间：2022-07-27 14:07
本文针对三维点云数据的不均匀问题以及三维场景的语义分割问题,通过对三维点云数据的采集原理以及相关处理技术进行深入理解,提出了基于二维图像灰度的插值算法和三维点云语义分割网络模型LGF-Net（Local feature and Global feature Fusion Network）。具体工作内容如下:（1）针对点云的不均匀问题,本文将点云的均匀性计算作为后续插值算法的基础,提出了基于二维图像灰度的插值算法。该算法首先利用点云的均匀性计算结果对点云进行标记,确定进行插值算法的待插值区域,再将三维点云数据和二维图像数据进行融合。插值算法主要通过近邻点二维图像灰度与当前插值点灰度的差值进行自适应加权,再对待插值点进行深度预测。相对于传统插值方法,本算法在提升点云密度的同时,提高了点云的均匀度。（2）针对三维点云场景的语义分割任务,本文在PointNet网络模型基础上,提出了改进的网络模型LGF-Net。网络提取深层特征的卷积层采用基于最远点采样算法的逐点卷积方式提取点云的全局特征信息。网络的提取浅层特征的卷积层应用了方向编码卷积以提取点云的局部特征信息。融合局部特征和全局特征后,LGF...
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
Abstract
第1章 绪论
1.1 本文研究背景
1.2 国内外研究现状
1.2.1 点云密度提升技术
1.2.2 语义分割
1.2.3 点云的语义分割
1.3 论文的研究目的和意义
1.4 论文的组织结构
第2章 三维点云数据相关基本理论
2.1 数据采集
2.1.1 激光雷达成像原理
2.1.2 相机成像原理
2.1.3 激光雷达和相机标定及配准
2.2 点云处理
2.2.1 点云预处理
2.2.2 点云常用空间插值算法
2.3 点云语义分割相关技术介绍
2.3.1 基于图像的语义分割技术
2.3.2 基于三维点云的语义分割技术
第3章 基于点云均匀性和图像灰度自适应加权的点云插值方法
3.1 三维点云的均匀性计算以及与图像的融合
3.1.1 三维点云数据的预处理及均匀性计算
3.1.2 三维点云从世界坐标系转换到图像坐标系
3.1.3 RGB数据与三维点云数据的对齐
3.2 基于二维图像灰度信息和均匀性判断的插值方法
3.2.1 基于邻域搜索的自适应待插值区域
3.2.2 基于像素灰度自适应加权的深度预测
3.2.3 算法表现
第4章 基于三维点云数据的语义分割网络
4.1 三维场景分割模型
4.1.1 基于欧式距离的聚类算法
4.1.2 基于深度学习的网络模型—PointNet
4.2 网络优化
4.2.1 优化网络结构
4.2.2 损失函数优化
4.3 基于采样算法的逐点卷积
4.3.1 最远点采样法
4.3.2 逐点卷积实现
4.4 方向编码卷积
4.5 实验设计与结果分析
4.5.1 数据集介绍
4.5.2 实验结果与分析
第5章 总结和展望
5.1 总结
5.2 展望
参考文献
攻读硕士学位期间主要的研究成果
【参考文献】：
期刊论文
[1]基于深度学习的三维模型重建检索算法研究[J]. 冯智键,周燕,曾凡智,江展锋. 福建电脑. 2017(11)
[2]基于内容的图像分割方法综述[J]. 姜枫,顾庆,郝慧珍,李娜,郭延文,陈道蓄. 软件学报. 2017(01)
[3]基于离散点云数据的森林冠层高度模型插值方法[J]. 段祝庚,肖化顺,袁伟湘. 林业科学. 2016(09)
[4]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[5]对张正友相机标定法的改进研究[J]. 刘艳,李腾飞. 光学技术. 2014(06)
[6]基于Kriging算法与曲面拟合的三维激光扫描点云数据插值研究[J]. 刁鑫鹏,吴侃. 大地测量与地球动力学. 2012(01)
[7]基于Kriging方法的空间数据插值研究[J]. 曾怀恩,黄声享. 测绘工程. 2007(05)
[8]一种基于TIN的DEM表面插值模型[J]. 杨成松,朱长青,陶大欣. 地理与地理信息科学. 2007(01)
[9]机器视觉中针孔模型摄像机的自标定方法[J]. 蓝慕云,刘建瓴,吴庭万,刘桂雄. 机电产品开发与创新. 2006(01)
[10]基于支持向量机的图像语义分类(英文)[J]. 万华林,Morshed U.Chowdhury. 软件学报. 2003(11)
博士论文
[1]面向室内场景的3D场景重建与语义理解[D]. 赵哲.中国科学技术大学 2016
[2]面向服务机器人的室内语义地图构建的研究[D]. 王锋.中国科学技术大学 2014
硕士论文
[1]基于RGB-D图像的室内场景语义分割方法[D]. 冯希龙.南京邮电大学 2015
[2]三维点云场景语义分割建模研究[D]. 陆桂亮.南京大学 2014
[3]基于迭代马尔科夫网络的室内三维点云语义标注研究[D]. 林思远.厦门大学 2014
[4]基于区域统计特性的场景分类方法研究[D]. 苗京京.电子科技大学 2012
[5]基于密度的聚类算法研究[D]. 杨建红.长春工业大学 2010
本文编号：3665592
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
Abstract
第1章 绪论
1.1 本文研究背景
1.2 国内外研究现状
1.2.1 点云密度提升技术
1.2.2 语义分割
1.2.3 点云的语义分割
1.3 论文的研究目的和意义
1.4 论文的组织结构
第2章 三维点云数据相关基本理论
2.1 数据采集
2.1.1 激光雷达成像原理
2.1.2 相机成像原理
2.1.3 激光雷达和相机标定及配准
2.2 点云处理
2.2.1 点云预处理
2.2.2 点云常用空间插值算法
2.3 点云语义分割相关技术介绍
2.3.1 基于图像的语义分割技术
2.3.2 基于三维点云的语义分割技术
第3章 基于点云均匀性和图像灰度自适应加权的点云插值方法
3.1 三维点云的均匀性计算以及与图像的融合
3.1.1 三维点云数据的预处理及均匀性计算
3.1.2 三维点云从世界坐标系转换到图像坐标系
3.1.3 RGB数据与三维点云数据的对齐
3.2 基于二维图像灰度信息和均匀性判断的插值方法
3.2.1 基于邻域搜索的自适应待插值区域
3.2.2 基于像素灰度自适应加权的深度预测
3.2.3 算法表现
第4章 基于三维点云数据的语义分割网络
4.1 三维场景分割模型
4.1.1 基于欧式距离的聚类算法
4.1.2 基于深度学习的网络模型—PointNet
4.2 网络优化
4.2.1 优化网络结构
4.2.2 损失函数优化
4.3 基于采样算法的逐点卷积
4.3.1 最远点采样法
4.3.2 逐点卷积实现
4.4 方向编码卷积
4.5 实验设计与结果分析
4.5.1 数据集介绍
4.5.2 实验结果与分析
第5章 总结和展望
5.1 总结
5.2 展望
参考文献
攻读硕士学位期间主要的研究成果
【参考文献】：
期刊论文
[1]基于深度学习的三维模型重建检索算法研究[J]. 冯智键,周燕,曾凡智,江展锋. 福建电脑. 2017(11)
[2]基于内容的图像分割方法综述[J]. 姜枫,顾庆,郝慧珍,李娜,郭延文,陈道蓄. 软件学报. 2017(01)
[3]基于离散点云数据的森林冠层高度模型插值方法[J]. 段祝庚,肖化顺,袁伟湘. 林业科学. 2016(09)
[4]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[5]对张正友相机标定法的改进研究[J]. 刘艳,李腾飞. 光学技术. 2014(06)
[6]基于Kriging算法与曲面拟合的三维激光扫描点云数据插值研究[J]. 刁鑫鹏,吴侃. 大地测量与地球动力学. 2012(01)
[7]基于Kriging方法的空间数据插值研究[J]. 曾怀恩,黄声享. 测绘工程. 2007(05)
[8]一种基于TIN的DEM表面插值模型[J]. 杨成松,朱长青,陶大欣. 地理与地理信息科学. 2007(01)
[9]机器视觉中针孔模型摄像机的自标定方法[J]. 蓝慕云,刘建瓴,吴庭万,刘桂雄. 机电产品开发与创新. 2006(01)
[10]基于支持向量机的图像语义分类(英文)[J]. 万华林,Morshed U.Chowdhury. 软件学报. 2003(11)
博士论文
[1]面向室内场景的3D场景重建与语义理解[D]. 赵哲.中国科学技术大学 2016
[2]面向服务机器人的室内语义地图构建的研究[D]. 王锋.中国科学技术大学 2014
硕士论文
[1]基于RGB-D图像的室内场景语义分割方法[D]. 冯希龙.南京邮电大学 2015
[2]三维点云场景语义分割建模研究[D]. 陆桂亮.南京大学 2014
[3]基于迭代马尔科夫网络的室内三维点云语义标注研究[D]. 林思远.厦门大学 2014
[4]基于区域统计特性的场景分类方法研究[D]. 苗京京.电子科技大学 2012
[5]基于密度的聚类算法研究[D]. 杨建红.长春工业大学 2010
本文编号：3665592
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3665592.html
最近更新
教材专著
