●“導航與時頻技術叢書”序
前言
第1章緒論1
參考文獻3
第2章點雲類型及語義分割方法概述4
2.1引言4
2.2點雲類型4
2.2.1激光點雲4
2.2.2影像點雲13
2.2.3RGB-D點雲13
2.2.4結構光點雲15
2.2.5其他類型點雲15
2.3點雲語義分割方法概述18
2.3.1統計分析法18
2.3.2投影圖像法21
2.3.3其他傳統語義分割方法22
2.3.4二維圖像深度學習語義分割方法23
2.3.5三維點雲深度學習語義分割方法28
參考文獻33
第3章深度學習40
3.1引言40
3.2深度學習技術概述40
3.2.1人工智能、機器學習與深度學習41
3.2.2卷積運算42
3.2.3卷積神經網絡工作原理43
3.2.4深度學習框架52
3.3深度學習在計算機視覺中的應用53
3.3.1圖像分類53
3.3.2目標檢測54
3.3.3語義分割54
3.3.4實例分割55
3.3.5其他應用55
3.4深度學習與三維激光點雲的結合56
3.4.1三維激光點雲數據的表示形式57
3.4.2三維激光點雲數據集的語義標注方法57
3.4.3三維激光點雲語義分割存在的挑戰58
參考文獻58
第4章LiDAR點雲的組織與管理61
4.1引言61
4.2兩級混合索引結構的確定62
4.2.1全局KD樹索引62
4.2.2局部八叉樹索引64
4.3Kd-OcTree混合索引的構建65
4.3.1Kd-OcTree混合索引的邏輯結構66
4.3.2Kd-OcTree混合索引的數據結構66
4.3.3Kd-OcTree混合索引的構造算法70
4.4實驗結果與分析72
4.4.1測試數據72
4.4.2構造索引速度測試73
4.4.3鄰域搜索速度測試74
4.4.4索引結構對地面點感知效果的影響75
4.4.5閾值敏感度測試77
4.4.6不同索引結構CPU、內存消耗對比分析79
參考文獻80
第5章基於深度學習和二維圖像的多目標語義分割82
5.1引言82
5.2基於二維圖像的語義分割83
5.2.1點雲描述子83
5.2.2深度卷積神經網絡85
5.2.3二維圖像與三維點雲之間的映射關繫85
5.2.4精細特征提取方法86
5.3研究方法87
5.3.1DVLSHR模型構建87
5.3.2二維圖像到三維點雲的映射90
5.3.3三維建築點雲的精細分割91
5.4實驗結果與分析103
5.4.1數據集103
5.4.2評價標準104
5.4.3DVLSHR模型訓練105
5.4.4初步分割結果112
5.4.5映射結果可視化112
5.4.6基於三維點雲的建築物精細特征分割114
5.4.7結果分析115
參考文獻116
第6章三維點雲語義分割120
6.1引言120
6.2研究現狀121
6.2.1三維數據集121
6.2.2基於點雲的三維卷積神經網絡122
6.3研究方法123
6.3.1點雲表示形式123
6.3.2三維深度網絡結構124
6.3.3輸入點集的順序對網絡性能的影響129
6.4實驗結果與分析130
6.4.1實驗平臺131
6.4.2評價指標131
6.4.3網絡體繫結構驗證132
6.4.4分割效果136
6.4.5結果分析137
參考文獻138
第7章總結與展望140