首页> 正文

基于三维激光点云的复杂场景人体目标识别

2020-12-08阅读(850)

基于三维激光点云的复杂场景人体目标识别

论文摘要

目标识别是计算机视觉领域一个重要的研究方向,即将所需的一个或一类目标在场景中进行提取,并与其他目标进行区分。通常,目标识别可以描述为典型的模式识别问题,并包含以下四步骤:原始数据的预处理,数据特征提取,特征分类器的设计与训练以及最终的分类步骤。目前,目标识别研究集中于二维图像处理之中,而随着三维成像技术的发展,结构光测量、激光扫描、ToF等技术趋于成熟,物体表面的三维坐标能够精准而快速的获取,从而生成场景的三维数据,能够更好地感知和理解周围环境。因此,本课题旨在解决复杂场景下基于三维激光点云的人体目标识别方案研究问题。为此,本课题搭建一套稳定、快速激光雷达扫描系统,同时设计了一套运行于之上的复杂点云场景人体目标识别方案。本论文重点研究了如下内容:（1）三维激光雷达扫描系统的搭建。针对雷达扫描特点确定了系统的软硬件构成,并设计了两套扫描方式,实现了一套稳定、快速的扫描系统;（2）场景点云的预处理。具体的,选择了基于最小二乘法的地平面方程提取方法,准确提取场景内的地面信息;提出了一种新的基于点云有序性的背景点移除方法,用于移除场景内的复杂背景点云;对扫描点云进行了坐标系转换与地面点移除操作;对比分析了两种噪声点移除方法的优劣,确定了基于半径滤波器的噪声移除方案;（3）人体目标的识别。本论文比较、分析了多种场景点云分割方案,并综合各方案优缺点提出了基于投影法的场景点云分割方法,提高了待检测目标提取的准确率;比较、分析了三种点云目标特征提取方法的性能,确定了基于ESF的点云目标特征提取方法;确定了基于支持向量机的分类器模型设计;最终实现了可用性高的复杂场景下的人体目标识别方案;（4）基于深度学习的点云处理方案研究,分析了两种基于深度学习的点云处理算法模型——PointSIFT和SO-NET,介绍其深度神经网络原理并对其进行简单的网络性能分析,用于指导后续的研究工作。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  •   1.1 引言
  •     1.1.1 基于激光雷达的人体目标识别研究意义
  •     1.1.2 三维激光点云数据特征
  •   1.2 激光雷达目标识别关键技术及国内外进展情况
  •     1.2.1 三维激光雷达系统关键技术
  •     1.2.2 激光雷达点云快速预处理技术
  •     1.2.3 基于激光点云的目标识别技术
  •     1.2.4 目标识别技术国内外进展情况
  •   1.3 课题研究任务及论文安排
  •     1.3.1 课题研究任务
  •     1.3.2 论文安排
  • 第二章 三维激光雷达扫描系统
  •   2.1 引言
  •   2.2 三维激光雷达扫描系统介绍
  •     2.2.1 三维激光雷达扫描系统硬件构成
  •     2.2.2 三维激光雷达扫描系统软件构成
  •   2.3 雷达扫描模块
  •     2.3.1 空间点的坐标
  •     2.3.2 激光雷达与旋转平台的联合控制
  •     2.3.3 步进式联合控制模式
  •     2.3.4 连续式联合控制模式
  •     2.3.5 联合控制方式性能分析
  •   2.4 点云显示模块
  •   2.5 点云的数据结构
  •     2.5.1 二维矩阵式索引结构
  •     2.5.2 k-d树索引结构
  •     2.5.3 八叉树索引结构
  •   2.6 可行性分析
  •   2.7 本章小结
  • 第三章 复杂场景点云预处理
  •   3.1 引言
  •   3.2 地平面方程提取
  •   3.3 场景背景点移除
  •   3.4 坐标系转换与地面点移除
  •   3.5 噪声点移除
  •   3.6 噪声点移除方法分析
  •     3.6.1 基于密度的噪声点移除算法
  •     3.6.2 基于距离的噪声点移除算法
  •     3.6.3 噪声点移除方法对比分析
  •   3.7 预处理流程效果
  •     3.7.1 地平面方程提取效果
  •     3.7.2 背景点移除效果
  •     3.7.3 坐标系转换与地面点移除效果
  •     3.7.4 噪声点移除效果
  •   3.8 本章小结
  • 第四章 基于激光点云的人体目标识别
  •   4.1 引言
  •   4.2 场景点云分割
  •     4.2.1 RanSac算法原理
  •     4.2.2 超体聚类算法原理
  •     4.2.3 LCCP算法原理
  •     4.2.4 欧式聚类算法原理
  •     4.2.5 基于深度学习的大场景语义分割算法原理
  •   4.3 场景分割算法效果与性能分析
  •     4.3.1 欧式聚类分割效果
  •     4.3.2 欧式聚类存在问题
  •   4.4 基于投影法的三维场景点云分割方法设计
  •     4.4.1 MeanShift算法
  •     4.4.2 基于地面投影和MeanShift的欧式聚类算法
  •     4.4.3 基于地面投影和MeanShift的欧式聚类算法效果
  •   4.5 点云目标的特征提取
  •     4.5.1 VFH算法
  •     4.5.2 CVFH算法
  •     4.5.3 ESF算法
  •     4.5.4 基于深度学习的特征提取算法
  •   4.6 特征提取算法性能分析
  •     4.6.1 数据集的获取与扩充
  •     4.6.2 特征提取算法时间性能分析
  •     4.6.3 特征提取算法准确率性能分析
  •     4.6.4 特征提取综合性能分析
  •   4.7 基于特征的分类
  •   4.8 本章小结
  • 第五章 基于深度学习的点云处理方法
  •   5.1 引言
  •   5.2 基于深度学习的场景点云语义分割算法
  •     5.2.1 PointSIFT网络简介
  •     5.2.2 PointSIFT模块
  •     5.2.3 方向编码卷积
  •     5.2.4 PointSIFT网络结构
  •     5.2.5 PointSIFT网络性能分析
  •   5.3 基于深度学习的点云特征提取算法
  •     5.3.1 SO-NET网络简介
  •     5.3.2 自组织映射网络
  •     5.3.3 自组织映射网络的学习过程
  •     5.3.4 基于自组织映射网络的目标特征提取与识别流程
  •     5.3.5 SO-NET网络性能分析
  •   5.4 本章小结
  • 第六章 总结与展望
  •   6.1 论文主要工作与创新点
  •     6.1.1 论文主要工作
  •     6.1.2 创新点
  •   6.2 进一步工作展望
  • 参考文献
  • 致谢

    • 文章来源

    类型: 硕士论文

    作者: 陈兆一

    导师: 李蔚

    关键词: 激光雷达,点云,场景分割,目标识别

    来源: 北京邮电大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 物理学,无线电电子学,计算机软件及计算机应用

    单位: 北京邮电大学

    分类号: TP391.41;TN249

    总页数: 76

    文件大小: 7804K

    下载量: 573

    相关论文文献

    • [1].基于卷积神经网络的非等效点云分割方法[J]. 东华大学学报(自然科学版) 2019(06)
    • [2].点云智能研究进展与趋势[J]. 测绘学报 2019(12)
    • [3].基于深度学习的点云分割方法综述[J]. 计算机工程与应用 2020(01)
    • [4].点云数据预处理研究[J]. 现代信息科技 2020(02)
    • [5].基于地基激光雷达点云的植被表型特征测量[J]. 生态学杂志 2020(01)
    • [6].机载点云空洞的修复方法[J]. 北京测绘 2020(02)
    • [7].基于深度学习的零件点云分割算法研究[J]. 机电工程 2020(03)
    • [8].基于深度学习的点云语义分割综述[J]. 激光与光电子学进展 2020(04)
    • [9].基于神经网络的航空行李点云检测方法研究[J]. 电子世界 2020(07)
    • [10].基于二维截面筛选标记的点云简化方法研究[J]. 机电工程 2020(05)
    • [11].三维点云补全方法的现状和发展趋势[J]. 信息记录材料 2020(05)
    • [12].新型激光远程点云装置研究[J]. 机电信息 2020(17)
    • [13].一种简化的输电线路点云电塔自动定位方法[J]. 北京建筑大学学报 2020(03)
    • [14].一种改进的区域增长彩色3D点云分割算法[J]. 国外电子测量技术 2018(11)
    • [15].面向反光工件点云缺陷的点云增强算法[J]. 计算机辅助设计与图形学学报 2019(07)
    • [16].一种基于高度差异的点云数据分类方法[J]. 测绘通报 2018(06)
    • [17].手提激光盘煤仪点云去噪[J]. 激光杂志 2017(05)
    • [18].面向室内场景点云的对象重建[J]. 测绘通报 2017(06)
    • [19].快速点云定向数学模型实际精度分析[J]. 北京测绘 2017(04)
    • [20].基于点云几何约束的仿真安装探讨[J]. 地理空间信息 2017(09)
    • [21].基于自适应切片的点云压缩算法[J]. 工程勘察 2017(09)
    • [22].序列图像三维重构中点云精简算法的研究与改进[J]. 计算机工程与应用 2016(08)
    • [23].地面三维激光扫描点云重建技术研究[J]. 数码世界 2017(08)
    • [24].三维环境下交互式点云对象提取方法[J]. 计算机工程与应用 2019(24)
    • [25].换流站激光点云密度对土石方计算的影响[J]. 电力勘测设计 2020(01)
    • [26].融合个体识别的3D点云语义分割方法研究[J]. 黑龙江工业学院学报(综合版) 2019(12)
    • [27].机载激光点云与摄影测量点云非监督建筑物变化检测[J]. 测绘科学技术学报 2019(05)
    • [28].电力巡检点云分布式异构处理的研究[J]. 湖北电力 2019(05)
    • [29].点云重建的并行算法[J]. 计算机工程与应用 2020(06)
    • [30].基于深度学习的点云匹配[J]. 计算机工程与设计 2020(06)

    标签：;  ;  ;  ;  

    基于三维激光点云的复杂场景人体目标识别
    下载Doc文档

    猜你喜欢

    © 2024 毕论降 版权所有 鄂ICP备12018319号-6