一、用简单旋转装置实现三维相机多视角数据采集（论文文献综述）
韩晶晶[1]（2021）在《基于数字图像的三轴试验土样体变测量方法研究》文中提出在土工三轴试验的力学性能测试过程中,土样体积变化的测量是非常重要的环节。对于饱和土,土样体积变化的测量技术相对成熟,可利用量筒间接测量流体吸入或排出饱和试样的体积来实现。然而,对于非饱和土,土样内部不可避免地存在空隙、气泡等,传统饱和土体积变化的测量手段已无法准确测量非饱和土的状况。数字图像技术因其测量精度高、不扰动试样,在土样体积变化测量方面具有显着的优势。本论文引入数字图像测量技术开展土样体积变化测量的研究,结合前人的研究成果和三轴试验中土样的变形特点,针对土样的不同变形程度,提出了亚像素边缘检测和轮廓法三维重建的测试策略,提供了一套简单、经济的测量方法。论文的主要工作如下:（1）提出了基于Sobel算子、三次样条插值和高斯拟合相结合的亚像素边缘检测算法（Sobel Operator,Cubic Spline Interpolation and Gaussian Fitting,SCG）测量土样小变形的方法。通过对典型的亚像素边缘检测技术进行仿真对比分析,针对土样特点和测量精度要求,改进出了一种亚像素边缘检测算法（SCG）,该算法具有定位精度高、运行速度快和抑制噪声等优势。构建了圆柱体三维模型,并获取图像,将该算法应用于该圆柱体体积测量,相对误差在0.17%左右,所用时间仅为1.21s。（2）提出了基于轮廓法三维重建技术（Shape From Silhouette,SFS）测量土样大变形的方法。根据相机模型和常用的相机标定方法,以及单相机旋转获取图像的方式,完成了一种改进的多相机标定方法,使用圆柱体圆点标定物、归一化DLT和L-M算法计算出单相机矩阵,通过相机与目标物的空间位置关系,计算出其它的相机外部参数。使用OSTU阈值分割法、形态学算子和最大连通域法获取图像轮廓信息,并将传统视觉壳体雕刻方法改进为粗-细结合的雕刻方法,引入分层光一致性检测来解决体素过量的问题。模拟相机标定和拍摄场景,拍摄不规则圆柱体,进行三维重建仿真,相机标定的重投影误差平均为0.02个像素,三维重建所得体积的相对误差为0.21%,所用时间为94.22s。（3）将SCG-SFS体变测量技术应用于三轴试验的土样体变测量,完成实验研究。设计了三轴试验装置的图像采集系统,使用改进的多相机标定算法获取相机的内外参数。在三轴装置中安装标准的不锈钢圆柱体,验证了SCG-SFS体积测量方法的精确性（优于0.22%）,根据三维重建效果和实际情况使用36张图像最为可行。将SCG-SFS体变测量方法应用于三轴试验,捕捉不同轴向压力下土样的变形图像,完成了土样体积变化的测量。
雷豆豆[2]（2020）在《基于线结构光的义齿轮廓三维测量系统研究》文中提出三维重建技术是计算机图像可视化领域的一个重要研究内容,目前已广泛应用于逆向工程、文物保护、医疗救助、虚拟现实、机器人应用等领域。基于线结构光的三维重建,是计算机图形学、图像处理、光学学科等技术的交叉研究领域。它是对同一物体同一时刻从左右两个不同视角的观察,进行数据互补,达到还原被测物三维轮廓的目的。本文是基于线结构光的义齿轮廓三维测量系统,将牙齿置于旋转平台上,旋转平台顺时针旋转。左右相机每隔两度采集一次牙齿图片,经过计算机处理后,完成牙齿的三维重建。本文的主要研究内容为数据采集及处理、旋转平台标定、点云拼接等方面。1)数据采集及处理部分主要介绍了数据采集的过程,以及对数据的处理。本文中用于数据采集的相机分辨率为10241280?dpi,有效视场范围为1820?mm。数据处理首先对相机采集的图片通过高斯滤波去除图像中的噪声点,保证重建的精度;其次对滤波后的图片通过最大类间方差法进行阈值分割,将图片中的前景部分与背景部分分离,最后再通过灰度重心法来提取图片前景部分的条纹中心,作为模型的像素坐标。2)旋转平台标定是对旋转平台的旋转中心和倾斜角进行标定。本文提出了旋转混合标定法来标定旋转中心,首先将用于拟合圆心的数据通过对称法来筛选出符合要求的点,再将符合要求的点通过最小二乘法来拟合圆心,保证圆心的精确。经过实验对比分析,证明此方法标定结果稳定,标定精度提高了3.8%。旋转平台倾斜角的标定过程,是将标定块数据拟合为直线,求取直线斜率,通过斜率求得旋转平台的倾斜角。标定出旋转中心与倾斜角后,需要对采集的点云数据进行去倾斜与旋转拼接。去倾斜是将坐标原点移至旋转中心,点云恢复至无倾斜角状态。旋转拼接主要是将每个旋转角度的点云统一至同一坐标系中,从处于世界三维坐标的激光条纹拼接为牙齿模型。3)点云拼接是将左右相机获取到的点云进行融合,使左右相机的数据相互补偿,保证重建的精度。在点云拼接之前在保证重建模型精度的情况下,删除点云中无关紧要的点,加快重建速度。之后通过Open GL对点云进行渲染,使拼接后的三维点云符合真实3D场景。完成这一系列操作后,对渲染后的模型进行评估,证明本文系统的稳定性与准确性。
吴晗玉[3]（2020）在《基于骨骼信息的手势识别交互系统研究》文中研究指明随着物联网、人工智能和5G的飞速发展,人机交互的定义在不断地更新着。为了达到产品“对用户友好”,研究人员将目光投向了“以人作为控制者”的交互方式。手势交互技术凭借其用户易操作、操作自然直观、表意更丰富等优点在自然人机交互领域得到了广泛的关注和重视。本文研究的是基于骨骼信息的手势识别交互系统,利用图像的深度阈值分割出感兴趣手部区域,再使用深度学习方法回归出21个关节点,结合运动学约束,得到合理手部三维建模。再通过建立手部球体模型提取手部的特征,并利用支持向量机（Support Vector Machine,SVM）识别手势,最后将识别到的结果反馈给电脑,电脑响应相对操作。本文的主要工作内容如下:（1）阐明研究本课题的意义,回顾了国内外基于手势的人机交互方法,介绍了几种手势识别方法,探讨其中优势和弊端,研究分析基于深度图像在手势识别方面的技术优势。（2）采集的手势数据集。手部的定位和分割过程包括三步:利用Kinect传感器获取手部定位;截取手部区域,根据图像深度信息设置阈值,将前景与背景分割出来,保存含有手部深度值数据的深度图像。（3）三维手姿态估计。训练和测试数据集为NYU数据库。为了达到更为有效的手姿态输出,设计正向运动学矫正层用以约束姿势,避免自遮挡和物理上不可行的姿势。利用深度图像作为输入增加特征信息提高识别率。（4）对手势进行分类识别。本文提出建立手部球体模型,避免了不同人手上的差异,利用手部空间和结构两个特征描述子,能够较为全面的概括手势特征,提高准确率。最后利用SVM分类判别,得到最终手势结果。（5）设计人机交互。人机交互部分引入概率模型,避免对瞬时和虚假手势的响应。
胡海龙[4]（2020）在《面向机械数字化产品的点云模型骨架提取和形状分析研究》文中指出随着计算机技术的不断发展和提高,机械产品数字化设计广泛流行,即运用计算机辅助设计、CAD/CAM数字化仿真技术,对机械产品开发的全过程给予相应的技术支持,从而促进产品设计信息的更新以及设计技术的完善。随着逆向工程与产品创新设计的紧密结合,逆向工程技术在数字化产品设计中的应用也越来越广泛。其中,产品模型的数据采集和表示,特别是点云模型的获取和处理,已成为逆向工程中的重要研究内容和机械工程设计领域中的热点课题。本文以三维点云模型为研究对象,围绕机械产品数字化设计中的关键问题,分别从曲线骨架提取、形状描述符构建、相似性分析和模型分类与检索等内容进行深入研究,并开发了基于机械点云模型的检索系统应用。主要研究工作如下:曲线骨架是一种重要的物体形状描述符,在产品数字化设计、计算机辅助设计、计算机图形与可视化等领域有着广泛的应用。本文提出一种基于点云模型截面形心点集的曲线骨架表达形式,并给出相应的计算和提取方法。首先,根据二力平衡公理给出三维点云模型横截面形心点的近似计算方法。接着,给出一种三维点云模型距离场变换的近似算法,并将其与曲率相结合获取混合特征点。利用KNN和主成分分析法估计点云模型法向量,并构造二次能量函数优化法向方向,通过引入相关面和相关点的定义和计算方法,将这些混合特征点沿骨架引导的法向偏移,逼近局部形心。然后,构造出一种基于距离、法向和曲率的张量谱聚类算法,并结合区域增长聚类算法对形心点集进行简化,最终将它们连接成一个初始连通曲线骨架。此外,还通过整理、修剪和拉普拉斯平滑算法来优化初始骨架。将本文的结果与几种最先进的算法（包括ROSA和L1-中值方法等）,从正确性、中心性、组份可分性、不同姿势或变形下的不变性、拓扑一致性、通用性、鲁棒性和光顺性等骨架性质以及计算效率等方面进行比较,以评估本文方法的有效性和优越性。三维模型的局部自相似性是物体形状分析中的一个基本问题,已广泛应用于计算机图形学、可视化等相关领域的局部匹配和模型识别中。本文针对三维点云模型提出了一种基于三维特征张量的自相似性分析方法。首先,利用相关面和反向点对点云模型进行了形状直径函数（SDF）的近似计算。然后,使用谱聚类对模型进行过分割成模型子块,由KNN邻域点的形状直径函数、形状指数和高斯曲率矩阵构造三维特征张量。接着,利用张量范数及其分量范数和L1-中值映射构造了形状描述符,并定义了相似性度量,分析了模型子块之间的自相似性。最后,将本文方法与几种最新方法（包括部分匹配和显着性检测）进行了比较,实验结果表明,该方法提供了一种有效的形状描述方法,能够很好地识别点云模型的相似子块。三维模型相似性分析和检索分类研究是数字化产品逆向工程中的研究热点。传统的分类方法是基于人为设计的特征描述符,其结果和成效完全取决于形状特征的选择和提取。不同于传统的方法,深度学习算法可以让机器自动学习对象特征并分类,在图像处理领域已经比较成熟并且有突出的表现。但是三维点云模型数据处理方法不同于二维图像,三维数据处理上更加复杂。本文提出了一种基于卷积神经网络（Convolutional Neural Network,CNN）距离测定下（CNN-distance）的三维点云模型相似性分析方法。首先,对于（稀疏）点云模型进行坐标变换和稠密化等预处理,接着利用视点轨迹球和三维模型的测地线距离,对模型进行着色处理并得到三维模型的二维投影着色图像数据集。然后,通过训练阶段提取模型特征并利用softmax函数构建基准向量,通过深度学习测试阶段得到概率向量,再计算概率向量与基准向量间的欧式距离,得到最终分类。CNN-distance的训练和测试数据集来源于点云模型上的测地线距离对三维点云模型着色后不同视角下的二维彩色图像,同时基于距离判定来找到具备相似性的三维点云模型。实验表明,本文提出的着色数据集构建算法使得数据处理更简易,加入距离判别使得分类精度更高,且相对其它算法能够得到更好的检索准确率结果。基于以上的研究方法和成果,开发了一个面向机械数字化产品的三维点云机械（零部件）模型的检索系统 ZSTU-MMRS（Zhejiang Sci-Tech University Mechanics Model Retrieval System）,可以选择三种方式进行检索:基于全局特征—曲线骨架的模型检索,基于局部特征—张量描述符的模型检索和基于CNN距离测定下的模型检索。介绍了检索系统的体系结构,阐述了系统主要功能,并给出了相应的案例检索结果,验证本文提出的三维机械（零部件）模型检索的原理和方法的可行性和有效性。最后,本文对曲线骨架提取、形状相似性分析和模型分类与检索等研究内容和成果进行了总结,并对今后的研究工作进行了展望。
冯可心[5]（2019）在《玉米植株表型三维空间数据采集与特征参数获取》文中提出植物器官在生长介质中的分布方式,即为植物的形态构型。植物形态构型的不同会对植物本身生长机能带来不同的影响。农作物表型参数和生长规律的研究,尤其是农作物三维空间数据的采集与数据处理对于观测农作物生长状态、优质配种和提高农作物的产量具有非常重要的实用价值和理论指导意义。通过农作物表型参数的采集,建立农作物的三维模型可以帮助人们更好的了解和掌握影响农作物生长的原因,从而有效提高农作物的产量,因此农作物的三维空间重建在农业发展上具有广泛的应用前景。本文通过三维视觉方式对玉米作物的生长形态结构进行有效分析,通过三维视觉方式来探讨农作物形态及生长过程。基于农作物的三维空间植物结构数据采集有利于对玉米植株的生长状况、玉米植株的覆盖率和玉米植株冠层高度进行测量和监测。主要研究内容如下:（1）本文通过Kinect体感设备、激光测距仪、旋转台和数据传输模块等组成硬件部分配合PC配置的相关接口和传感器采集软件构成农作物数据采集平台。可以通过PC端控制采集系统,实现多角度的彩色图像和深度图像获取,通过获取的深度信息完成作物的初始数字化模型的建立和补充,提高了模型建立速度和完整性。（2）通过农作物采集平台搭配3D数字化仪器对玉米植株叶部的三维空间结构数据进行采集。对不同时期的5个品种玉米的叶长、叶宽和叶倾角进行人工测量和虚拟测量比对。通过三维数字化提取的农作物株型参数可以分析出不同品种的作物和栽植因素等引起的生长不同,对作物生长形态的三维重建提供帮助。（3）针对田间玉米覆盖率计算主要采用多阈值图像分割算法,使用采集平台对农作物长势进行图像采集,通过对采集的图像中绿色像素提取计算出农作物不同生长期的覆盖率值,更加准确地反映出农作物真实长势,为农作物生产提供数据支持。（4）针对田间玉米高度测量主要采用了激光测距法。将激光测距仪安装在三轴云台上,通过对农作物数据采集,校正数据误差,三角几何转换和数据拟合获得农作物高度。通过实际测量和虚拟测量对比可知,农作物高度平均误差在1.766%。该方法简单便捷,适用于农作物高度测量。
刘晟[6]（2019）在《基于BIM的标准砌体构件机械臂拼装任务指令接口研究》文中研究指明随着数字建造技术的进步和发展,机器人建造已成为建筑行业未来的主流趋势之一。现有的建筑机器人大多应用在单一重复的任务中,若变更建造任务则需要耗费大量的编程时间。研究基于BIM的机械臂任务指令接口,有利于缩减传统示教编程的时间,使建筑机器人可以在不同的建造任务之间迅速切换,提高作业效率并增加机器人建造的灵活性。本文以机械臂拼装标准砌体构件的建造过程为研究对象,研究一种基于BIM的机械臂拼装任务指令接口,该接口能够依据给定的不同形式的建造任务,自动生成机器人可执行的任务指令。本文采用基于图像的三维重建技术获得机械臂及其工作场景的重建模型,该模型可作为机械臂拼装任务规划的场景信息来源。采用BIM平台设计不同形式的拼装建造任务,并与机械臂工作场景的重建模型进行集成,输出存储在任务模型中的各个构件的位置信息,然后在BIM平台中标定到机器人基坐标系下,从而得到机器人控制系统可操作的坐标信息。本文设计了机械臂拼装任务指令接口,通过该接口把BIM平台所输出的构件的放置点位坐标信息填写入可供机械臂执行的程序中,驱动机械臂完成既定的拼装建造任务。最后,本文设计了三种不同形式的拼装建造任务实验,每个建造任务都由标准砌体构件组成。通过与人工示教拼装方式进行对比,验证了所提出的任务指令接口的有效性。本文的研究拓展了面向多任务的机械臂拼装任务编程方式,提出的任务指令接口在保证机械臂拼装的精度的同时,提高了拼装的效率,对基于机械臂的装配式建造具有一定的现实意义。
吴越[7]（2019）在《基于阵列相机的多视角光场成像关键技术研究》文中认为传统的成像装备进行远距高清晰成像时,往往需要依靠复杂和昂贵前端硬件,且一次成像仅是解决对场景的某一视角的二维投影的问题。本文以多视图几何和计算摄影理论方法为基础,基于自行研制的阵列相机,研究图像超分辨率重建、深度估计、重聚焦、去模糊等光场成像的关键技术。其主要研究内容和工作如下:（1）给出一种阵列相机总体设计,构建了阵列相机超分辨率重建的系统技术框架,其中包括超分辨率模型、图像超分辨率重建的流程,以及相机标定、图像配准、深度估计、图像融合、图像去模糊等。（2）研究了阵列相机的深度估计与重聚焦方法。深入分析了视差深度和三维投影深度的特点,给出了基于贝叶斯视差估计方法,以及视差法与投影法相结合的深度估计方法。讨论了基于傅里叶切片原理的图像重聚焦算法,并利用阵列相机所拍摄的一些真实场景来验证这种重聚焦算法的适用性。（3）研究了阵列相机图像超分辨率算法。首先,在深入研究凸优化的交替方向乘子法（ADMM）基础上,并通过适当改进,建立了对噪声鲁棒的超分辨率的数学模型,形成了一种基于ADMM的超分辨率算法。然后,讨论了最大公因子求解方法和基于GCD的超分辨率算法,并给出一种基于ADMM-GCD的图像超分辨率算法及其实验结果。（4）研究了阵列相机图像盲去模糊算法。首先利用光流算法对多个相邻镜头获取的同一场景图像进行配准,并将配准后的多幅图像运用多图盲去模糊算法估计出各自的模糊核;然后根据估计出的模糊核采用非盲去模糊算法准确估计出清晰图像。在非盲去模糊算法和盲去模糊算法求解过程中,采用ADMM在频域中进行快速的交替迭代运算。实验结果表明该算法对噪声的鲁棒性,以及图像恢复效率和效果方面的优越性。（5）研究了基于ADMM的参数自适应平衡图像去模糊算法。在上述的工作基础上,给出一种基于交替方向乘子法的参数自适应平衡图像非盲去模糊算法,并通过实验和一些常见的图像去模糊方法进行对比,说明算法的稳健性与适用性。
范钊宣[8]（2018）在《基于深度学习的人体动作识别研究》文中研究表明人体动作识别是计算机视觉领域的一个重要研究方向,在智能监控、视频理解、人机交互、辅助驾驶等众多方面都有着巨大的应用需求。本论文对人体动作识别当前研究现状进行了综述总结,在此基础上,对基于视频的动作识别和基于三维姿态的动作识别进行了进一步的研究。针对基于视频的动作识别方法的实际应用,论文设计并实现了一个实时在线的动作识别系统。为应对实际应用中的多项问题,系统设计包含了目标检测、目标跟踪、光流修正、动作识别及后处理等多个模块。目标检测和目标跟踪是实际应用中的重要预处理步骤,通过对目标进行定位,系统能够集中处理目标区域图像,从而大大减少了多变环境带来的干扰,也保证了系统在不同环境下的适用性。在动作识别模块中,系统采用了一个基于光流的CNN网络,以目标的叠加光流图像为输入,对动作进行分类。在光流修正模块中,论文对相机运动造成的光流进行了消除,抑制了相机运动对于目标动作的影响。论文对整体系统进行了整合和优化,使之达到了实时运行的标准,能够应用于真实场景下的在线动作识别。论文对基于三维姿态的动作识别进行了进一步的方法研究,提出了一个基于注意力机制的多视角重观测融合模型。注意力机制是一种对重要特征给予更多关注来帮助提高特征表达性能的方法,模型中结合LSTM网络提出了对于特征的多层注意力增强的方法,通过在网络的多层中叠加进行注意力操作来提高网络的性能。考虑到观测视角在动作识别中的重要影响,模型中提出了多视角重观测融合方法,对动作进行多视角的重新观测并融合观测结果来提高动作识别性能,并且模型通过视角融合中的注意力操作,学习根据动作序列信息寻找适于识别的观测视角,进一步提高动作识别的效果。整体模型整合为一个端到端的网络模型,在主流数据库上取得了当前领先水平的动作识别效果。
曲洪岩[9]（2013）在《微纳米力学同步辐射实验及重建技术研究》文中提出微纳米实验力学检测技术是制约着该学科向纵深发展的关键因素,因此发展新型微纳米实验力学检测手段极具意义。由于X射线具有能量高、波长短、穿透能力强等诸多优点,所以X射线是进行无损、高分辨检测的有力工具。随着我国第三代同步辐射光源在上海的落成,应用单色性更好、准直性更强、亮度更高并且波长连续可调的同步辐射X射线进行科学实验和科学研究已经成为了现实。与CT技术结合,同步辐射CT技术能够得到被测物体的三维全场信息。与传统检测技术相比较,同步辐射CT技术具有无损、实时、三维,并且可加外场等优点。本文以搭建微纳米力学同步辐射实验平台为研究主线,对平台的软件、硬件的设计原则、目的进行详细讨论。着重研究以软件算法的方式解决平台搭建过程中遇到的各种实际问题。所面临的具体问题可以概括为时间问题和空间问题,对这两大类问题进行具体地分类,究其产生问题的原因,分析问题带来的影响,然后提出新算法和解决方案解决来问题,最后用实验对所提出的新算法和解决方案进行验证。本文主要研究内容和创新点如下：1、提出一套新的适用于实际实验条件下的图像重建方案。在分析了实验噪声的基础上,通过模拟实验来确定新滤波函数的参数,再用新滤波函数进行图像重建,应用此重建方案可以有针对性地对噪声进行有效抑制。首先讨论同步辐射CT重建技术中的基本理论,研究当今最常用的重建算法——滤波反投影算法,并且结合实际实验情况,提出优化的新型滤波函数,结合经典离散和抽样理论对新型滤波函数加以分析。最后提出一种选择不同滤波函数参数的新型重建方案。应用此方案可以根据不同的实验环境和噪声情况,选择不同的滤波函数以达到更好的重建效果。结果表明,新的重建方案与传统重建方案相比更适合实际存在噪声条件下的图像重建。2、研究了同步辐射CT技术在动态演化观测过程中的时间问题。分别以反演投影法和GPU并行计算技术解决了数据采集时间和图像重建时间过长的问题。首先对时间问题进行分类,然后针对第一种时间问题,提出了利用反演投影法,在应用尽量少的投影数据的条件下进行高质量的图像重建。利用反演投影法可将投影数据数量降至原先的25%,而重建图像质量与以往相当。这样便可减少75%的数据采集时间,更有利于观测较快速的演化过程。针对第二种时间问题,应用GPU并行计算技术,优化并改进原有重建算法,最终实现了以较低的采购和功耗成本达到几十至上百倍的计算性能提升,因此重建图像所需的时间可大幅降低。3、研究了高分辨率同步辐射CT技术中的空间问题。采用希尔伯特局部重建算法和小波局部重建算法解决了大样品、小视场的精确重建问题。提出SIRT-FBP混合算法解决存在残缺角度情况下的重建问题。对实际面临的两类空间问题即小视场问题和数据残缺角度问题进行研究。以算法上的创新解决上述两种空间问题。针对小视场问题,在现有重建算法的基础上,提出应用希尔伯特局部重建算法和小波局部重建算法来解决此问题。应用希尔伯特局部重建算法只需应用整体数据的28.9%,即能完成对感兴趣局部区域的精确重建。即当样品尺寸约为视场宽度3倍的情况下也可实现精确重建。针对数据残缺角度问题,结合联合迭代算法和滤波反投影算法,提出一套新的SIRT-FBP混合算法,并以GPU并行计算技术为依托,以一种高效的方式解决残缺角度对图像质量的影响。应用SIRT-FBP混合算法在残缺60。数据的情况下仍可得到质量较高的重建图像。
赵萌[10]（2009）在《基于单摄像机的三维几何重建方法研究》文中指出传统的三维重建采用的双目或多目视觉方法往往使视觉系统结构复杂、造价相对昂贵、操作复杂、在控制上不易实现。因此,成本低、结构简单易操作的单目视觉方法的研究变得更有必要。本文通过理论分析,提出了一种新的基于单摄像机变焦原理的几何体三维重建方法,并在此基础上进行了图像预处理、冗余数据处理以及仿真验证等内容的研究。首先,通过对传统三维重建过程和透镜成像、光学变焦的研究,在定义的摄像机成像几何模型下利用不同的焦距推导了几何体空间点的三维重建过程,给出了提出的变焦算法下计算空间点三维坐标的计算公式,并通过不同象限内单点的仿真验证了算法的可行性。在图像预处理阶段,采用了分为四阶段的处理方法:通过阈值分割有效地去除了背景噪声的干扰,通过比较选择canny算子检测边缘,用霍夫变换准确地检测所需直线,最后提取出特征点的像素坐标。对于不同的焦距组合产生大量的不同重建结果问题,首先采用传统的遗传算法处理冗余数据,通过遗传操作迭代搜索出最优的重建值。针对算法中的变焦特点,进行了变焦重建算法模型对焦距的敏感度分析,筛选容易造成较大错误影响的焦距组合,在此基础上提出了加权梯度法搜索最优值的方法。最后,通过仿真分析验证了所提出的算法与数据处理方法。在仿真空间立方体转化后的像素坐标上添加高斯白噪声和BM高斯随机噪声模型,通过比较分析确定遗传算法和加权梯度法中未确定的参数,然后比较两种数据处理方法在不同方差下的重建精度,考察两种方法对不同噪声模型的适应性以及运算时间。利用所推导的理论公式完成对处理过的实际图片数据的转换和计算,并且分别用遗传算法和加权梯度法重建出实际立方体顶点的三维坐标,通过定点间的实际距离与重建顶点的距离的比较验证了重建精度。
二、用简单旋转装置实现三维相机多视角数据采集（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用简单旋转装置实现三维相机多视角数据采集（论文提纲范文）
（1）基于数字图像的三轴试验土样体变测量方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 三轴试验体变测量的研究现状 |
| 1.2.2 亚像素边缘检测技术的研究现状 |
| 1.2.3 轮廓法三维重建的研究现状 |
| 1.3 本文研究目的和内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 2 基于亚像素边缘检测算法的小变形体积测量 |
| 2.1 亚像素边缘检测技术简介 |
| 2.1.1 亚像素边缘检测概述 |
| 2.1.2 边缘模型概述 |
| 2.2 亚像素边缘检测技术原理分析 |
| 2.2.1 Zernike矩法 |
| 2.2.2 高斯拟合法 |
| 2.2.3 插值法 |
| 2.2.4 局部面积效应法 |
| 2.3 对比仿真及结果分析 |
| 2.4 SCG亚像素边缘检测技术研究 |
| 2.4.1 SCG亚像素边缘检测算法 |
| 2.4.2 实验仿真与结果分析 |
| 2.5 圆柱体的体积计算仿真 |
| 2.6 本章小结 |
| 3 基于轮廓法三维重建技术的大变形体积测量 |
| 3.1 相机模型与相机标定方法 |
| 3.1.1 针孔相机模型 |
| 3.1.2 真实相机模型 |
| 3.1.3 坐标系之间的转换 |
| 3.1.4 相机畸变模型 |
| 3.1.5 相机标定方法研究 |
| 3.2 相机标定方法改进设计 |
| 3.2.1 圆点质心的检测 |
| 3.2.2 归一化DLT算法 |
| 3.2.3 L-M优化过程 |
| 3.2.4 多相机标定算法 |
| 3.3 轮廓法三维重建方法研究 |
| 3.3.1 轮廓提取 |
| 3.3.2 三维边界框估计 |
| 3.3.3 视觉壳体 |
| 3.4 分层光一致性检测 |
| 3.5 不规则圆柱体体积计算仿真 |
| 3.6 本章小结 |
| 4 三轴试验中SCG-SFS体积测量技术的验证 |
| 4.1 实验装置 |
| 4.2 相机标定 |
| 4.3 不锈钢圆柱体验证实验设计及结果分析 |
| 4.3.1 不锈钢圆柱体验证实验设计 |
| 4.3.2 轮廓法三维重建图像数量确定 |
| 4.3.3 试样体积测量结果分析 |
| 4.4 三轴试验设计及结果分析 |
| 4.4.1 三轴试验设计 |
| 4.4.2 土样的体变测量结果分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（2）基于线结构光的义齿轮廓三维测量系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 口腔医疗可视化研究现状 |
| 1.2.2 三维重建技术研究现状 |
| 1.3 研究内容及结构分析 |
| 2 三维旋转测量系统的基本理论分析 |
| 2.1 旋转测量系统分析与设计 |
| 2.2 三维测量原理分析 |
| 2.2.1 相机标定 |
| 2.2.2 坐标转换 |
| 2.3 本章小结 |
| 3 数据采集及处理 |
| 3.1 数据采集 |
| 3.2 数据处理 |
| 3.2.1 点云滤波 |
| 3.2.2 阈值分割 |
| 3.2.3 条纹中心提取 |
| 3.3 本章小结 |
| 4 旋转平台标定研究 |
| 4.1 旋转中心标定 |
| 4.1.1 对称法拟合圆心 |
| 4.1.2 最小二乘法拟合圆心 |
| 4.1.3 光平面方程拟合圆心 |
| 4.1.4 三角交汇法拟合圆心 |
| 4.2 旋转混合标定 |
| 4.3 倾斜角标定 |
| 4.4 本章小结 |
| 5 三维模型重建研究分析 |
| 5.1 点云处理 |
| 5.1.1 点云去倾斜 |
| 5.1.2 点云旋转拼接 |
| 5.2 点云精简 |
| 5.3 点云拼接 |
| 5.4 Open GL点云渲染 |
| 5.5 牙齿模型测量评估 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 本文小结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
| 致谢 |
（3）基于骨骼信息的手势识别交互系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于非视觉的手势识别 |
| 1.2.2 基于视觉的手势识别 |
| 1.3 本文的主要内容和章节安排 |
| 第二章 基于Kinect的传感器的数据采集与处理 |
| 2.1 Kinect获取深度图像原理 |
| 2.1.1 Kinect介绍 |
| 2.1.2 深度图像原理 |
| 2.2 手势图像获取与预处理 |
| 2.2.1 Kinect图像预处理 |
| 2.2.2 Kinect骨骼模型 |
| 2.2.3 手势的定位与分割 |
| 2.3 本章小结 |
| 第三章 基于深度学习的三维手姿态估计 |
| 3.1 三维手姿态估计方法 |
| 3.1.1 基于传统标记型手姿态估计 |
| 3.1.2 基于深度学习的三维手姿态估计方法 |
| 3.2 准备工作 |
| 3.2.1 算法流程图 |
| 3.2.2 手部关节点模型 |
| 3.2.3 数据预处理与扩展 |
| 3.2.4 手势深度图预处理 |
| 3.2.5 正向运动学习层 |
| 3.3 网络结构 |
| 3.4 实验与分析 |
| 3.5 本章小结 |
| 第四章 三维手关节在手势识别中应用 |
| 4.1 手势特征提取 |
| 4.1.1 手心球部模型建立 |
| 4.1.2 结构特征描述子 |
| 4.1.3 空间特征描述子 |
| 4.2 手势识别算法 |
| 4.3 实验与分析 |
| 4.4 本章小结 |
| 第五章 基于手势的人机交互实验设计 |
| 5.1 系统软件整体介绍 |
| 5.1.1 软件功能需求及运行环境 |
| 5.1.2 软件总体程序框架 |
| 5.2 系统设计流程 |
| 5.2.1 手部数据采集 |
| 5.2.2 手势识别算法模块 |
| 5.2.3 手势识别模块 |
| 5.3 系统运行结果 |
| 5.3.1 手势识别界面运行 |
| 5.3.2 人机交互方案 |
| 5.3.3 实验结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
（4）面向机械数字化产品的点云模型骨架提取和形状分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 三维数字模型的表示方法 |
| 1.2.1 体素表示法 |
| 1.2.2 网格表示法 |
| 1.2.3 点云表示法 |
| 1.3 点云模型曲线骨架研究现状 |
| 1.3.1 点云模型曲线骨架提取方法研究现状 |
| 1.3.2 点云模型曲线骨架的性质 |
| 1.3.3 点云模型曲线骨架应用研究现状 |
| 1.4 点云模型局部相似性研究现状 |
| 1.5 深度学习卷积神经网络模型分类与检索研究现状 |
| 1.6 研究内容及章节安排 |
| 第2章 基于混合特征点和谱聚类的三维点云模型曲线骨架提取 |
| 2.1 引言 |
| 2.2 本文方法的预备知识和概述 |
| 2.3 初始骨架点创建 |
| 2.3.1 混合特征点的创建 |
| 2.3.2 法向量估计及其优化 |
| 2.3.3 相关面和相关点的计算 |
| 2.4 骨架点创建 |
| 2.4.1 基于张量的形心点谱聚类 |
| 2.4.2 同一组内形心点的区域增长聚类 |
| 2.5 骨架图的构建和优化 |
| 2.5.1 骨架修剪 |
| 2.5.2 关节点合并 |
| 2.5.3 曲线骨架光顺 |
| 2.5.4 非零亏格模型的环形生成 |
| 2.6 实验结果与讨论 |
| 2.6.1 结果讨论 |
| 2.6.2 本文HFPSC方法与其它方法比较 |
| 2.6.3 本文HFPSC方法的局限性 |
| 2.7 本章小结 |
| 第3章 三维点云模型特征张量描述符的构造及自相似性分析 |
| 3.1 引言 |
| 3.2 方法 |
| 3.2.1 算法概述 |
| 3.2.2 点云模型曲率估算 |
| 3.2.3 形状指数Shape index (SI)的计算 |
| 3.2.4 点云模型形状直径函数的计算 |
| 3.2.5 点云模型过分割 |
| 3.2.6 点云模型的特征张量构造 |
| 3.2.7 基于张量的点云模型相似块匹配 |
| 3.2.8 融合特征形状描述符和自相似性分析 |
| 3.3 结果与讨论 |
| 3.3.1 与其它描述符的比较 |
| 3.3.2 与其他方法比较 |
| 3.3.3 本文方法的局限性 |
| 3.4 本章小结 |
| 第4章 CNN距离测定下的三维点云模型相似性分析 |
| 4.1 前言 |
| 4.2 方法 |
| 4.2.1 数据预处理 |
| 4.2.2 数据集构建 |
| 4.2.3 网络训练及测试 |
| 4.3 实验设计与分析 |
| 4.4 本章小结 |
| 第5章 面向机械数字化产品的三维模型检索系统开发与实现 |
| 5.1 相关研究工作 |
| 5.2 面向机械数字化产品的三维模型检索系统的设计、开发与实现 |
| 5.2.1 系统简介 |
| 5.2.2 系统功能结构 |
| 5.2.3 模型数据库的构建 |
| 5.3 系统运行实例 |
| 5.3.1 检索实例 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
（5）玉米植株表型三维空间数据采集与特征参数获取（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的目的和意义 |
| 1.2 国内外研究动态和趋势 |
| 1.2.1 Kinect体感设备应用现状 |
| 1.2.2 三维点云获取技术的发展 |
| 1.2.3 虚拟植物三维重建 |
| 1.2.4 图像分割技术的发展 |
| 1.3 研究目标内容和技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 研究方案和技术路线 |
| 2 玉米三维空间点云数据采集 |
| 2.1 点云数据概念 |
| 2.2 点云数据采集方法 |
| 2.3 数据采集平台设计 |
| 2.3.1 Kinect体感设备 |
| 2.3.2 旋转平台设计 |
| 2.3.3 激光测距仪 |
| 2.3.4 Kinect采集系统软件 |
| 2.4 采集玉米植株数据 |
| 2.5 本章小结 |
| 3 玉米植株三维深度信息预处理 |
| 3.1 二维信息转换三维空间原理 |
| 3.2 深度图像噪声分析过程 |
| 3.3 玉米植株深度图像预处理 |
| 3.4 玉米植株点云数据的精简 |
| 3.5 本章小结 |
| 4 基于三维空间玉米叶部参数计算方法 |
| 4.1 玉米表型参数获取设备 |
| 4.2 基于三维空间玉米叶部参数计算方法 |
| 4.2.1 玉米植株三维数字化数据规则化 |
| 4.2.2 玉米叶部参数提取及计算方法 |
| 4.2.3 玉米叶部参数获取试验及验证 |
| 4.3 本章小结 |
| 5 玉米冠层特征参数提取及计算方法 |
| 5.1 玉米冠层覆盖率算法 |
| 5.2 玉米植株冠层高度计算方法研究 |
| 5.2.1 激光测距原理 |
| 5.2.2 玉米植株冠层高度计算原理 |
| 5.2.3 玉米植株高度计算方法验证 |
| 5.3 测量方式对不同田间处理的有效性 |
| 5.3.1 施用调控剂的玉米株高测量 |
| 5.3.2 不同时期施氮的玉米株高测量 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（6）基于BIM的标准砌体构件机械臂拼装任务指令接口研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容与技术路线 |
| 2 机械臂砌筑拼装工艺过程与编程方式 |
| 2.1 机械臂自动砌筑的工艺过程 |
| 2.2 机械臂自动砌筑系统及其组成 |
| 2.3 机械臂的任务指令编程方式 |
| 2.4 面向多任务的机械臂自动砌筑离线编程 |
| 2.5 本章小结 |
| 3 基于图像的预制砌体拼装区域三维重建 |
| 3.1 基于图像的三维重建 |
| 3.2 三维重建的数据获取 |
| 3.3 三维重建的算法原理 |
| 3.4 本章小结 |
| 4 基于BIM的砌体构件坐标标定与指令接口 |
| 4.1 预制砌体拼装任务的BIM模型 |
| 4.2 基于BIM的砌体构件位姿标定 |
| 4.3 拼装任务指令接口设计格式 |
| 4.4 本章小结 |
| 5 实验验证 |
| 5.1 案例概况 |
| 5.2 实验过程 |
| 5.3 实验数据 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录一 攻读硕士学位期间发表论文 |
| 附录二 攻读硕士学位期间参加的科研课题 |
| 附录三 选题来源 |
（7）基于阵列相机的多视角光场成像关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 存在问题及解决思路 |
| 1.4 主要研究内容与论文结构 |
| 1.5 论文的创新点 |
| 第二章 光场成像与阵列相机系统 |
| 2.1 光场概念 |
| 2.2 光场参数化 |
| 2.2.1 光场参数化表示方法 |
| 2.2.2 光场相机及其四维参数 |
| 2.3 光场相机成像处理方法 |
| 2.3.1 光场相机的视角变换 |
| 2.3.2 光场相机数字对焦与变焦 |
| 2.3.3 光场相机投影模型 |
| 2.3.4 光场相机镜头畸变 |
| 2.4 阵列相机及其系统设计 |
| 2.4.1 阵列相机 |
| 2.4.2 阵列相机系统设计 |
| 2.5 阵列相机图像超分辨率重建 |
| 2.5.1 阵列相机图像超分辨率模型 |
| 2.5.2 阵列相机图像超分辨率重建的系统技术框架 |
| 2.5.3 阵列相机标定 |
| 2.5.4 图像配准 |
| 2.5.5 深度估计 |
| 2.5.6 图像融合 |
| 2.6 本章小结 |
| 第三章 阵列相机深度估计与重聚焦 |
| 3.1 阵列相机的深度估计方法 |
| 3.1.1 视差与深度 |
| 3.1.2 基于贝叶斯的视差方法 |
| 3.2 图像重聚焦方法 |
| 3.2.1 射影变换 |
| 3.2.2 重聚焦模型 |
| 3.2.3 算法原理 |
| 3.2.4 实验结果 |
| 3.3 本章小结 |
| 第四章 阵列相机图像超分辨率算法 |
| 4.1 基于交替方向乘子法的单图超分辨率算法 |
| 4.1.1 单图像超分辨率模型 |
| 4.1.2 交替方向乘子法 |
| 4.1.3 交替方向乘子的改进算法 |
| 4.1.4 基于ADMMⅡ的超分辨率算法 |
| 4.2 基于最大公因子的超分辨率方法 |
| 4.2.1 多图超分辨率模型 |
| 4.2.2 GCD的求解算法 |
| 4.3 基于ADMM-GCD的超分辨率算法 |
| 4.3.1 基本思路 |
| 4.3.2 ADMM-GCD算法 |
| 4.3.3 实验结果 |
| 4.4 本章小结 |
| 第五章 阵列相机盲去模糊算法 |
| 5.1 盲去模糊模型 |
| 5.2 多图盲去模糊方法 |
| 5.2.1 算法流程 |
| 5.2.2 多图盲去模糊算法 |
| 5.3 实验及结果 |
| 5.3.1 仿真实验 |
| 5.3.2 阵列相机实验 |
| 5.4 本章小结 |
| 第六章 参数自适应平衡图像去模糊算法 |
| 6.1 图像去模糊的模型 |
| 6.2 参数自适应的ADMM |
| 6.3 基于Par ADMM的图像去卷积 |
| 6.4 实验结果 |
| 6.5 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（8）基于深度学习的人体动作识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要关键词、术语、缩略词对照表 |
| 第一章 绪论 |
| 1.1 研究背景及目的 |
| 1.2 研究现状与发展趋势 |
| 1.3 研究内容和创新 |
| 1.4 论文组织结构 |
| 第二章 视觉动作识别方法综述 |
| 2.1 基于视频的动作识别 |
| 2.1.1 常用数据库 |
| 2.1.2 传统方法 |
| 2.1.3 基于深度学习的方法 |
| 2.2 基于三维姿态的动作识别 |
| 2.2.1 常用数据库 |
| 2.2.2 传统方法 |
| 2.2.3 基于深度学习的方法 |
| 2.3 基于其它数据类型或多模态数据融合的方法 |
| 2.3.1 基于深度图像的动作识别 |
| 2.3.2 多模态数据融合的方法 |
| 2.4 本章小结 |
| 第三章 基于视频的在线动作识别系统 |
| 3.1 整体方案框架 |
| 3.2 基于深度学习的动作识别方法 |
| 3.2.1 网络设计 |
| 3.2.2 网络训练与在线预测 |
| 3.3 目标检测与跟踪方法 |
| 3.4 光流提取与修正 |
| 3.5 整体处理流程 |
| 3.6 数据采集 |
| 3.7 实验与结果分析 |
| 3.7.1 数据库 |
| 3.7.2 实现细节 |
| 3.7.3 双流网络实验 |
| 3.7.4 在线预测方法实验 |
| 3.7.5 预处理方法实验 |
| 3.7.6 整体动作识别方法实验 |
| 3.8 本章小结 |
| 第四章 基于三维姿态的多视角重观测融合动作识别模型 |
| 4.1 三维动作识别问题分析及模型整体框架 |
| 4.2 LSTM简述 |
| 4.3 注意力机制 |
| 4.4 注意力机制用于增强姿态信息及特征表达 |
| 4.4.1 注意力机制在骨架特征上的应用 |
| 4.4.2 多层注意力机制增强 |
| 4.5 基于注意力机制的多视角融合模型 |
| 4.6 整合训练 |
| 4.7 实验与结果分析 |
| 4.7.1 数据库 |
| 4.7.2 实现细节 |
| 4.7.3 与目前先进方法的比较 |
| 4.7.4 特征注意力机制实验 |
| 4.7.5 多视角重观测融合 |
| 4.7.6 综合实验 |
| 4.8 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
（9）微纳米力学同步辐射实验及重建技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第1章 绪论 |
| 1.1 本文选题背景 |
| 1.1.1 微纳米实验力学的重要性 |
| 1.1.2 常规检测技术的局限 |
| 1.2 本文研究领域研究现状和本文意义 |
| 1.2.1 同步辐射CT技术概述及其研究现状 |
| 1.2.2 选题意义及研究领域难点 |
| 1.3 本文主要工作 |
| 第2章 微纳米力学同步辐射实验平台的硬件系统与软件系统 |
| 2.1 引言 |
| 2.2 同步辐射CT专用场加载硬件设备 |
| 2.2.1 微波烧结炉 |
| 2.2.2 微小样品力加载设备 |
| 2.2.3 热加载设备 |
| 2.3 同步辐射CT实验平台的基本软件 |
| 2.3.1 经典CT重建理论 |
| 2.3.2 新滤波函数的提出和抽样、混叠理论 |
| 2.3.3 新滤波函数的应用 |
| 2.3.4 实验设备的控制方案 |
| 2.4 本章小结 |
| 第3章 动态演化过程同步辐射CT观测中的时间问题 |
| 3.1 引言 |
| 3.2 数据采集时间问题 |
| 3.2.1 数据采集时间问题的提出 |
| 3.2.2 数据采集时间问题的解决方法 |
| 3.2.3 反演投影法效果的原因 |
| 3.2.4 反演投影法在实验中的应用 |
| 3.3 图像重建时间问题 |
| 3.4 本章小结 |
| 第4章 高空间分辨同步辐射CT实验中的空间问题 |
| 4.1 引言 |
| 4.2 小视场、大样品情况下的精确重建问题即局部重建问题 |
| 4.2.1 希尔伯特局部重建 |
| 4.2.2 小波局部重建 |
| 4.2.3 局部重建方法在实验中的应用 |
| 4.3 存在残缺角度的精确重建问题 |
| 4.3.1 残缺角度问题的提出 |
| 4.3.2 联合迭代算法(SIRT算法) |
| 4.3.3 SIRT-FBP算法混合算法 |
| 4.3.4 SIRT-FBP混合算法在实验中的应用 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 本文的创新之处 |
| 5.3 研究工作展望 |
| 参考文献 |
| 致谢 |
| 博士在读期间发表论文情况 |
（10）基于单摄像机的三维几何重建方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 研究三维重建的视觉方法概述 |
| 1.2.1 单目视觉 |
| 1.2.2 双目视觉 |
| 1.2.3 多目视觉 |
| 1.3 三维重建的关键技术研究 |
| 1.4 主要的三维重建系统 |
| 1.5 本文主要研究内容 |
| 第2章 单摄像机变焦三维重建模型 |
| 2.1 引言 |
| 2.2 传统三维重建模型 |
| 2.2.1 坐标系与成像模型 |
| 2.2.2 三维重建过程 |
| 2.3 单摄像机变焦三维重建 |
| 2.3.1 坐标系的定义 |
| 2.3.2 变焦三维重建模型 |
| 2.4 空间点的仿真验证 |
| 2.4.1 图像坐标的计算 |
| 2.4.2 仿真验证结果 |
| 2.5 本章小结 |
| 第3章 图像预处理与数据处理 |
| 3.1 引言 |
| 3.2 图像预处理 |
| 3.2.1 阈值分割 |
| 3.2.2 边缘检测 |
| 3.2.3 Hough 变换 |
| 3.2.4 坐标提取 |
| 3.3 数据处理 |
| 3.3.1 遗传算法 |
| 3.3.2 加权梯度法 |
| 3.4 本章小结 |
| 第4章 仿真与实验结果分析 |
| 4.1 引言 |
| 4.2 仿真空间立方体 |
| 4.3 遗传算法处理仿真数据 |
| 4.3.1 遗传算法中可调参数的确定 |
| 4.3.2 高斯正态分布白噪声模型 |
| 4.3.3 Box-Muller 算法高斯随机噪声模型 |
| 4.4 加权法处理仿真数据 |
| 4.4.1 加权法中加权指数的确定 |
| 4.4.2 高斯正态分布白噪声模型 |
| 4.4.3 Box-Muller 算法高斯随机噪声模型 |
| 4.4.4 数据处理算法的必要性 |
| 4.5 实验结果 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
四、用简单旋转装置实现三维相机多视角数据采集（论文参考文献）
- [1]基于数字图像的三轴试验土样体变测量方法研究[D]. 韩晶晶. 大连理工大学, 2021(01)
- [2]基于线结构光的义齿轮廓三维测量系统研究[D]. 雷豆豆. 西安工业大学, 2020(04)
- [3]基于骨骼信息的手势识别交互系统研究[D]. 吴晗玉. 中南民族大学, 2020(07)
- [4]面向机械数字化产品的点云模型骨架提取和形状分析研究[D]. 胡海龙. 浙江理工大学, 2020
- [5]玉米植株表型三维空间数据采集与特征参数获取[D]. 冯可心. 黑龙江八一农垦大学, 2019(06)
- [6]基于BIM的标准砌体构件机械臂拼装任务指令接口研究[D]. 刘晟. 华中科技大学, 2019
- [7]基于阵列相机的多视角光场成像关键技术研究[D]. 吴越. 国防科技大学, 2019(01)
- [8]基于深度学习的人体动作识别研究[D]. 范钊宣. 上海交通大学, 2018(01)
- [9]微纳米力学同步辐射实验及重建技术研究[D]. 曲洪岩. 中国科学技术大学, 2013(10)
- [10]基于单摄像机的三维几何重建方法研究[D]. 赵萌. 哈尔滨工业大学, 2009(S2)