發(fā)布時間：2022-07-19 17:54

　　三維模型分割是進一步理解和分析三維模型的基礎(chǔ),不僅廣泛應(yīng)用在三維模型的變形、簡化、檢索等研究領(lǐng)域中,在古文物保護、醫(yī)學檢測、幾何壓縮等模型處理和實際應(yīng)用中也發(fā)揮了重要的作用。目前三維模型的表示方式主要有三角網(wǎng)格和三維點云,點云分割是三維模型分割中的難點。隨著深度學習、神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展,國內(nèi)外研究學者也利用其對點云分割進行了大量的研究,根據(jù)對三維形狀的分析,利用神經(jīng)網(wǎng)絡(luò)高效處理三維數(shù)據(jù),卷積神經(jīng)網(wǎng)絡(luò)在分割任務(wù)中表現(xiàn)突出。針對基于卷積神經(jīng)網(wǎng)絡(luò)的點云分割算法如何提高分割的準確率,并減少訓練中的內(nèi)存消耗與運行時間的問題,研究了基于八叉樹的卷積神經(jīng)網(wǎng)絡(luò)的點云分割算法,完成的主要工作如下:（1）介紹了點云分割在傳統(tǒng)算法與深度學習算法上的特點與區(qū)別,探討了三維數(shù)據(jù)基于體素、流形結(jié)構(gòu)、多視圖與原始點云結(jié)合深度學習的四類分割方法,闡述了深度學習和卷積神經(jīng)網(wǎng)絡(luò)等相關(guān)說明。（2）提出了一種基于八叉樹的卷積神經(jīng)網(wǎng)絡(luò)的點云分割算法,構(gòu)建了基于Caffe框架的卷積神經(jīng)網(wǎng)絡(luò)用于點云分割,將點云體素化并構(gòu)造高效的八叉樹結(jié)構(gòu),使特征融合后的多維輸入特征與點云八叉樹信息一并進入卷積神經(jīng)網(wǎng)絡(luò)進行訓練,利用多層3D卷積結(jié)構(gòu)... 

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 選題來源
    1.2 課題研究背景和意義
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 基于傳統(tǒng)算法的點云分割算法
        1.3.2 基于深度學習的點云分割算法
    1.4 論文研究內(nèi)容及章節(jié)安排
        1.4.1 論文的研究內(nèi)容
        1.4.2 論文的章節(jié)安排
第二章 相關(guān)理論
    2.1 點云數(shù)據(jù)簡介
    2.2 八叉樹相關(guān)知識
        2.2.1 八叉樹基本原理
        2.2.2 八叉樹應(yīng)用
    2.3 深度學習相關(guān)理論
        2.3.1 神經(jīng)網(wǎng)絡(luò)
        2.3.2 監(jiān)督學習
        2.3.3 深度學習
    2.4 本章小結(jié)
第三章 三維形狀分割流程及網(wǎng)絡(luò)結(jié)構(gòu)搭建
    3.1 三維形狀分割流程
    3.2 卷積神經(jīng)網(wǎng)絡(luò)
        3.2.1 卷積神經(jīng)網(wǎng)絡(luò)介紹
        3.2.2 卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型
    3.3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搭建
        3.3.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 網(wǎng)絡(luò)層次結(jié)構(gòu)
    3.4 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的點云分割
    4.1 數(shù)據(jù)處理
        4.1.1 點云預(yù)處理
        4.1.2 點云體素化的八叉樹結(jié)構(gòu)
        4.1.3 輸入特征
    4.2 卷積神經(jīng)網(wǎng)絡(luò)訓練和測試
        4.2.1 參數(shù)設(shè)置
        4.2.2 訓練與測試
        4.2.3 CRF優(yōu)化
    4.3 結(jié)果評價與對比
        4.3.1 實驗結(jié)果
        4.3.2 實驗結(jié)果對比與分析
    4.4 本章小結(jié)
第五章 基于卷積神經(jīng)網(wǎng)絡(luò)的點云分割系統(tǒng)設(shè)計與實現(xiàn)
    5.1 系統(tǒng)需求分析
    5.2 系統(tǒng)功能設(shè)計
        5.2.1 系統(tǒng)業(yè)務(wù)流程
        5.2.2 系統(tǒng)功能簡介
        5.2.3 系統(tǒng)體系結(jié)構(gòu)設(shè)計
    5.3 點云分割系統(tǒng)實現(xiàn)
        5.3.1 系統(tǒng)開發(fā)工具及運行環(huán)境
        5.3.2 系統(tǒng)實現(xiàn)
    5.4 測試評價
        5.4.1 測試方法與測試環(huán)境
        5.4.2 系統(tǒng)綜合測試
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來展望
參考文獻
攻讀碩士學位期間發(fā)表的論文及取得的研究成果
致謝


【參考文獻】：
期刊論文
[1]基于深淺特征融合的人臉識別[J]. 趙淑歡.  電子技術(shù)應(yīng)用. 2020(02)
[2]基于PCL的3D點云視覺數(shù)據(jù)預(yù)處理[J]. 李朋超,王金濤,宋吉來.  計算機應(yīng)用. 2019(S2)
[3]基于大數(shù)據(jù)技術(shù)的機載激光雷達點云分類與建模研究[J]. 姚娟,周遠舟.  激光雜志. 2019(12)
[4]基于深度學習的點云分割方法綜述[J]. 俞斌,董晨,劉延華,程燁.  計算機工程與應(yīng)用. 2020(01)
[5]Research on cigarette during smoking based on reverse engineering and numerical simulation[J]. Darong Tang,Junzhang Wu,Jinsong Zeng,Wenhua Gao,Liang Du.  Chinese Journal of Chemical Engineering. 2019(10)
[6]基于點云內(nèi)骨架的分割算法[J]. 李仁忠,劉哲聞,劉陽陽.  激光與光電子學進展. 2019(22)
[7]一種改進的主成分分析特征抽取算法:YJ-MICPCA[J]. 謝昆明,羅幼喜.  武漢科技大學學報. 2019(03)
[8]基于骨架的三維點云模型分割[J]. 高天一,韓慧妍,韓燮.  計算機工程與設(shè)計. 2019(05)
[9]基于八叉樹的均值聚類點云精簡方法[J]. 王甲福,秦昊.  自動化應(yīng)用. 2019(04)
[10]基于轉(zhuǎn)置卷積操作改進的單階段多邊框目標檢測方法[J]. 郭川磊,何嘉.  計算機應(yīng)用. 2018(10)

博士論文
[1]基于超體素的三維數(shù)據(jù)分割方法研究[D]. 劉曉妮.吉林大學 2019
[2]基于有監(jiān)督學習的三維幾何形狀分析[D]. 謝智歌.國防科學技術(shù)大學 2015

碩士論文
[1]基于幾何特征的三維點云分割算法研究[D]. 侯琳琳.北京交通大學 2019
[2]基于超體素區(qū)域增長的點云分割算法研究[D]. 姜媛媛.西安電子科技大學 2017
[3]整合牙頜模型三維重構(gòu)及其應(yīng)用研究[D]. 王巧玲.河北科技大學 2016



本文編號：3663874