一、三维欧氏重构的快速算法（论文文献综述）
马康盛[1]（2021）在《基于在机视觉测量的叶片形貌重构点云数据处理技术研究》文中指出随着高精密薄壁零部件在航空工业等领域中使用频率的增加,使得人们对于测量设备的工作效率与精度需求越来越高。由于传统接触式测量存在测量磨损且不适用于在机测量,因此针对薄壁叶片这一典型研究对象,利用非接触式的光栅投影测量方法进行在机测量与数据的处理重构研究具有重要意义。首先,针对在机测量中的静态环境测量进行在机环境分析,根据单目结构光栅非接触测量原理与环境分析结果,对测量系统进行软硬件设备选用与设计。通过建立新型光栅投影测量模型,对工业相机进行标定,并对相移法展开研究,利用多频外差算法进行解包裹相位。根据测量原理与分析结果,利用自动定位装置进行在机测量模拟,获得叶片原始点云数据。其次,将在机测量环境模拟工况下采集的原始叶片点云进行噪声分类处理。根据分类结果与航空叶片结构特点,提出一套适用于该类中小型航空叶片点云数据的预处理方法。利用改进直通滤波、基于统计与半径滤波的改进算法及双边滤波完成降噪;提出了一种基于边长参数调整的体素格栅下采样方案完成数据精简,通过Geomagic实现数据偏差分析。再次,通过提出的单面叶片双重测量配准方案,解决单次测量可能存在的细节缺失问题。将两次扫描获取的叶片数据进行初始配准分析,获取最小绝对旋转平移偏差方案所对应的初始变换矩阵;将获得的初始配准结果结合ICP精细配准完成叶片数据的整体配准,并分析最终绝对旋转平移误差,得到变换矩阵,实现叶片的最终配准。最后,结合航空叶片重构需求特点进行网格划分,针对传统贪婪投影算法易出现细小孔洞问题,提出了一种适用于该类航空叶片点云数据的重构方案。通过改变近邻点距离阈值与内角关系,提出了一种改进的贪婪投影方法,并利用变换邻域点的MLS算法进行处理,通过Geomagic进行重构曲面的偏差分析,最终生成重构质量良好的航空叶片曲面。
宋浠瑜[2]（2020）在《房间轮廓声学重构与室内声学定位关键技术研究》文中指出位置信息可用于提供个性化服务以增强用户体验,促进物联网产业发展及智慧城市建设。随着全球定位系统（Global Positioning System,GPS）和北斗导航系统（BDS）的广泛应用,室外定位问题己基本解决,室外位置信息服务（Location Based Services,LBS）产业蓬勃发展。然而,人类80%以上的时间都在室内环境中活动,位置服务、社交网络、健康求助、智慧城市、应急救援、物联网、精确打击等无不需要具备室内定位功能。由于受建筑物的遮挡和多径效应的影响,GPS或BDS的室内定位性能无法满足人们对室内LBS的应用需求,因此,室内定位己成为LBS应用推广最迫切需要解决的问题。实用的室内定位方案需要满足精度、覆盖范围、可靠性、成本、功耗、可扩展性和响应时间等方面的需求。近年来,国内外研究者们提出了蓝牙、红外线、RFID、WLAN、超宽带、超声波等室内定位技术及应用系统,但是受人类活动干扰、信号多径传播、基础设施依赖等因素影响,不同的室内定位技术根据其定位性能都有一定的应用局限,迄今为止尚无一种普适化的室内定位系统能提供主导室内的全球性、全天候定位服务,使LBS产业全面覆盖室内外空间。因此,如何在室内复杂环境中进行场景识别并提升感兴趣目标的定位性能,己成为各种智能交互与通信系统产业共同关注的焦点。本文分析了室内定位技术的现状,尤其是室内声学定位的发展概况,确定了房间轮廓声学重构与室内声学定位关键技术研究方案,基于多通道声信号获取与单通道声信号获取两种方式,开展房间轮廓声学重构、室内声源定位与室内声学指纹定位的相关研究,分析房间轮廓声学重构对室内声学定位（本文重点讨论室内声源定位与室内声学指纹定位）性能的影响。研究房间轮廓声学重构与室内声学定位关键技术的意义,不仅在于其能满足不同室内LBS用户对位置精度的多尺度（分米级与米级）要求,还能满足用户对其位置信息获取的隐私保护需求,因此具有实际应用价值。文中对上述研究所涉及的应用背景与知识理论进行了介绍,明确了房间轮廓声学重构的基本原理与室内声学定位系统的工作机理,同时也对室内声学定位算法的常用手段进行了总结。本文的主要研究内容包括:1.综述了室内声学定位技术的发展概况,特别是室内声源定位与室内声学指纹定位的研究现状、技术问题与发展趋势。概述了房间轮廓声学重构技术的发展,并从多通道声信号获取与分析以及单通道声信号获取与分析两方面,总结了房间轮廓声学重构的实用方法,验证了房间轮廓信息对室内声学定位性能提升的有效性。2.介绍了房间轮廓声学重构的基础理论,分析了室内声场理论模型,推导了三维波动方程的基本公式,对利用房间平行墙面间声学共振特性,实现房间轮廓声学重构的过程进行了数学描述,并总结了基于波动声学的房间轮廓声学重构在实际应用中的参数问题;从多通道声信号获取与分析（麦克风阵列）以及单通道声信号获取与分析（智能手机）两方面,分别介绍了基于几何声学理论的房间轮廓声学重构方法,为基于阵列手机的室内声源定位,及基于智能手机的室内声学指纹定位应用研究提供室内声场环境先验;最后,介绍了室内声学定位的基础理论,介绍了基于时延估计的声源定位、基于波束形成的声源定位与基于机器学习的声学指纹定位的基本方法,归纳总结了室内声场环境对声学定位系统的重要影响,为后续室内声源定位和室内声学指纹定位的研究工作,提供理论与方法支撑。3.提出了一种基于三维麦克风阵列感知的房间轮廓声学重构方法,充分利用阵列拓扑结构优势,降低了一阶反射声脉冲峰误判的可能,简化了基于多通道声信号获取与分析的房间轮廓声学重构过程,提高了重构精度与效率,并保证了基于随机区域收缩（Stochastic Region Contraction,SRC）的可控功率响应相位变换（Steered Response Power with Phase Transform,SRP-PHAT）波束形成算法的可行性;并在房间轮廓重构基础上,提出了基于Delaunay三角剖分的声源位置搜索体积重建方法,在保证SRP-PHAT-SRC算法位置估计精度的同时,合理有效地缩小了室内运动声源的搜索体元,实现了室内说话人实时轨迹的高效估算与跟踪。4.提出了一种智能手机多传感融合的室内行人连续自定位方法,将基于智能手机惯性传感器数据的行人航迹推算（Pedestrian Dead Reckoning,PDR）与基于时延估计的声源定位算法相结合,并发展了一种基于声压级与声能分析的声学约束更新算法,该算法结合房间轮廓信息,通过利用声源与其一阶镜像声源之间的几何关系,保证了时延估计数据在可靠范围之内,更新消除了PDR迭代误差,实现了准确、有效且无用户协作的室内行人连续自定位。5.提出了一种基于听觉场景分析（Audiroty Scene Analysis,ASA）的室内LBS用户定位方法。该方法以室内环境背景声的心理声学特征谱为声学特征,构建多维声学指纹,结合房间轮廓信息与房间内区域分簇结果,勾画出室内场景的轮廓及其声音能量分布状态（房间色彩声图）,一方面可以为室内小区域定位提供较为详实的位置信息和空间布局,另一方面又不暴露室内场景布局与物品的图像细节,解决了传统室内地图的隐私保护矛盾;在此基础上,基于机器学习的理论与算法,线下构建与更新“位置——指纹”映射关系数据库,线上以最小方差匹配,快速准确定位用户位置,实现无基础设施依赖且无用户协作的室内小区域级定位。
仝勋伟[3]（2021）在《基于视觉示教的机器人任务学习方法研究》文中指出随着近年来机器人应用领域的飞速拓展,通过观察人类示教过程自动掌握新任务的方法成为机器人领域的又一个研究热点。总体而言,该领域主要涉及示教信息获取和机器人任务学习两个方面的内容。伴随机器人技术的不断革新,示教信息的获取方法从传统的基于离线编程和示教盒的方式转变为后来的拖动示教方式,进而又发展为现阶段的基于视觉观察的示教方式。示教任务中操作物体的检测与位姿估计是视觉观察的核心内容。不同于一般视觉感知任务,示教过程涉及的目标物体特征多样且更换频繁。针对这些特点,基于多模态局部特征RGB-D patch的算法具有更好的应用前景。然而现有RGB-D patch特征不具备旋转不变性,并且对于前景遮挡与背景干扰问题较为敏感。由于这些问题在示教场景内不容忽视,本文提出一种具旋转不变性且对环境干扰具有鲁棒性的局部特征E-patch。E-patch以前景深度边缘点为中心沿深度梯度方向采样,从而具有良好的旋转不变性。依据深度检测结果剔除E-patch中的前景遮挡和背景干扰区域,从而提升了对环境干扰的鲁棒性。在孪生网络框架下训练基于CNN建立的特征编码器,以实现E-patch相似性度量向特征向量欧氏距离空间的映射。结合特征匹配和位姿投票算法的优点,本文提出一种基于E-patch特征的目标检测与位姿估计算法。在离线阶段中,借助Ch Ar Uco标定板重构目标物体的网格模型之后,从均匀分布的采样视角得到RGB-D渲染视图,最后利用提取自各渲染视图的E-patch构建特征码书。在线阶段则通过特征匹配和位姿投票算法框架生成假设位姿。针对物体模型中不可见点对ICP配准结果的干扰,仅基于可视曲面实现假设位姿的检验与细化。在机器人任务学习方面,模仿学习方法以复现人类示教任务为目标,但通常脱离机器人系统的实际情况;强化学习方法面向实际系统但因巨大的动作探索空间而面临维数灾难的问题。本文结合二者优势提出一种兼顾便捷性与可靠性的机器人任务学习方法。首先,示教人员仅需完成单次的面向视觉观测的示教工作,之后基于DMPs框架通过对示教信息的模仿学习与泛化实现机器人动作探索空间的缩减,最后采用DDPG强化学习算法完成机器人动作策略的优化。为提升训练过程中动作策略的成功率,基于点吸引子系统设计运动控制器。为验证本文任务学习方法的效果,基于UR机器人、Kinect深度传感器和上位机搭建学习拾放任务的实验平台。实验过程中首先基于模仿学习与强化学习算法训练得到机器人的运动控制器,之后基于视觉感知算法估计初始场景内操作目标的空间位姿,最后将其代入运动控制器驱动UR机器人完成拾放任务。各项实验结果均体现了本文所提出的基于视觉示教的机器人任务学习方法的可行性与有效性。
庞敏[4]（2020）在《三维模型变形技术研究》文中认为三维几何造型是构造个性化数字产品的重要技术,广泛应用于影视动画、工业设计和生物医学等领域。保留原始模型拓扑连接信息不变的条件下进行一定的模型变化,从而生成具有新外观的三维几何模型,称为三维模型变形,是三维几何造型的重要步骤。本文以现有三维模型为数据基础,研究了如何更好地根据用户设计意图改变原始模型的三维模型变形算法。模型变形算法的一个重要研究方向是降低用户操作复杂度,将用户有效交互信息转化为处理模型变形所需参数从而驱动三维模型变形。本文主要研究内容和创新点概括如下:1、研究了二维图像形状特征和三维模型形状特征间的关联关系,提出一种三维模型变形算法。首先分析二维图像和三维模型的形状特征,获取图像和模型的特征线;其次根据图像和模型特征线,利用相似三角形关系,给出图像和模型形状特征间的关联关系并由此定义控制约束条件驱动模型变形;根据图像和变形后模型的形状特征关联关系,提出一种变形结果质量评价方法,并通过实验评估二维图像形状特征引导模型变形算法的性能。实验结果表明本文提出的二维图像形状特征引导三维模型变形算法自动高效,在创建三维模型的同时实现造型过程个性化。2、针对保刚性网格变形算法在变形过程中保持模型局部刚性变换而忽略全局结构的不足,提出一种改进的兼顾局部和全局的保刚性网格变形算法。利用变形过程中模型质心的变化,构建质心差异函数,并将其加入原始能量函数中控制网格变形效果,达到变形过程中既保持顶点单元局部刚性变换,又保证变形模型的整体结构稳定性。实验结果表明本文提出的改进的保刚性网格变形算法在不增加时间复杂度的条件下,达到更好的变形效果。3、研究多个三维模型的形状特征及其关联关系,提出一种基于多模型形状特征间关联关系的三维模型变形算法。首先,研究三维模型配准算法,将多个输入模型配准到同一坐标系下,建立模型间顶点对应关系,提取原模型的特征点集合作为形状特征;其次,基于准共形映射的保角性将三维模型参数化到二维平面;然后根据多个模型间的形状特征关联关系,建立变形的控制约束条件,驱动基于准共形迭代的二维平面变形;最后,研究模型恢复算法,实现模型在保持形状特征的前提下由二维平面到三维空间的转换。在实验过程中,提出一种基于模型形状特征的变形算法定性评价方法。实验证明,相比基于微分的变形算法,对于以面部模型为代表的细节丰富、骨架不明显的三维模型,本算法可以取得较好的变形效果。4、研究三维模型部件形状特征及其关联性,给出一种全局和局部相结合的三维模型变形算法。首先给出基于深度学习框架的三维模型部件分割和分类算法;其次比较分割后部件与模型数据库中同类近似部件的形状特征,研究它们之间的关联性,利用本文提出的基于图像形状特征的三维模型变形算法定义控制约束条件,实现模型部件变形;最后研究样条缝合技术,实现三维模型重构。实验结果证明本算法适用于三维模型重构且具有良好的变形效果和较高的时效性。
杨平[5]（2020）在《本质属性增强及其混合约束的图像修复算法研究》文中认为数字图像是传递信息的重要载体,但是在采集或传递过程中易受到噪声、遮挡或像素丢失等多种形式的干扰。由于设备、时间等限制因素,在无法重新获取原始清晰图像的情况下,如何应用图像处理算法对所获取低质量图像进行干扰修复以还原出潜在高质量图像,已经成为研究者们极为关注的问题。图像修复技术通常利用低质量图像及其低质形成原因等信息,即其也称为低质量图像的先验条件,恢复或重建出消除噪声、移除遮挡或补全丢失像素的清晰图像,从而提高图像质量,使其能够应用于后续识别分类、语义理解等场景中。针对小样本、单样本图像数据的退化过程、对受干扰图像进行本质属性挖掘与增强,有利于特定的数据重构任务。针对单幅图像的修复任务,挖掘并增强图像数据所体现的本质属性,结合图像的退化过程等先验正则项约束,对于探究小样本图像数据的修复任务具有重要研究意义。本文所做的工作如下:1.针对小样本含噪图像提出一种迭代重加权组稀疏约束重构算法,面对现有回归重建算法无法区分出样本重要程度并且无法移除样本中无效特征等问题,受学习型算法的启发,通过设立不同权值将异常样本分离,并同时对重构误差和样本特征分别设定距离权值和特征权值,以优化系数的求解问题,同时提出一种高效的求解算法对权值向量进行迭代自适应更新。将凸函数扩展至非凸近似函数,以更严格的l2,p范数逼近稀疏解。为验证该算法的有效性,采用具有样本标签的公开人脸图像数据集进行受干扰图像的重构识别工作。实验证明了本算法在受噪声干扰、色块遮挡或其混合影响的图像中,同样具有较高的重构识别效果,对后续单幅样本的图像修复工作奠定了基础。2.针对单样本单通道图像的噪声消除与模糊还原问题,提出一种图像组训练及非凸约束的去噪去模糊算法,针对无训练样本构建字典集的情况,利用图像的光滑性,即局部平滑性与非局部相似性,对单幅图像进行滑窗重叠分割以采集图像块,并且采用组间方差约束的图像块搜索算法,以避免采用欧氏距离计算相似度时,阴影对结构相似图像块的影响。在构建出组间近似满秩的过完备字典集后,对该字典集进行转置域训练,进一步降低相似图像块所组成矩阵的秩,以提高组间表示系数的稀疏性。此外,在重构过程中采用非凸lp范数约束,进一步提高训练效率的同时保证重构系数的强稀疏性。为适应不同程度的噪声,保证算法的鲁棒性,在字典集训练过程中进一步设立图像块筛选的自适应软阈值。对单幅图像的去噪去模糊实验结果证明该算法可以有效地对图像块的结构特征信息进行对比,提高了单幅图像的修复性能。3.针对单样本多通道图像的修复问题,提出一种稀疏转置及加权奇异值最小化的图像修复算法。现有算法常采用多形式核范数及其演变形式来代替低秩性,以保证模型的凸性并求出全局最优解。该类型算法可从广义上称之为基于图像域的图像修复算法,但是其主要缺陷在于需要大量迭代以求解收敛性的结果。为了增强低秩性在图像修复过程中的表现,在传统算法对低秩性松弛优化的基础上,进一步结合转置域学习算法。转置域学习算法作为一种快速求解算法,其效率相对于图像域算法有极大的提升。为同时追求算法的效率及修复效果,利用了图像的稀疏性、光滑性、低秩性及转置性,提出基于稀疏转置及加权奇异值最小化的图像修复算法。该算法将转置域的高效率与图像域的优良修复结果结合在同一框架中。实验结果显示所提算法在图像修复质量上PNSR及SSIM值的对比上均有较大程度的提升,并且随着噪声程度的增加,本算法的鲁棒性也进一步凸显出来。在运算效率方面,相较于传统图像域算法,本小节所提算法的时间复杂度也有极大的降低,并且仅需少量的迭代次数即可达到算法的收敛条件。4.针对多通道图像的一致性修补问题,提出一种彩色图像缺失元素的多通道修补算法。现有算法大多采用图像分块的操作方式,对其进行字典构建及稀疏重构。虽然结合图像转置可大大提高其运算效率,但是在多色彩通道上,该类型运算仍然是一项高耗时的问题。通过探究自然图像样本其RGB通道及展开矩阵的奇异值与梯度分布,根据图像的低秩性和局部光滑性,开发联合多通道的矩阵修补技术。采用图像的局部平滑（分段平滑）特性,同时对其施加截断低秩约束,可实现快速的彩色图像修补应用。并且针对所提非凸非光滑模型,提出一种凸化近似微分算子进行求解。实验结果表明,本章所提算法与现有张量修补算法或其他形式多通道矩阵修补算法相比,其针对彩色图像的修补效果及图像视觉质量均有所提高。
沈俊忠[6]（2020）在《面向大数据处理的异构融合可重构数据流加速器研究》文中认为近年来,人工智能技术迅猛发展,在全球范围内受到了广泛关注。以卷积经网络（Convolutional Neural Networks）、图卷积神经网络（Graph Convolutional Neural Networks）为代表的深度学习算法的不断更新迭代对计算机系统的计算性能与能耗要求急剧提高。然而,由于近年来摩尔定律发展的停滞以及冯诺伊曼结构限制,现有的数据中心架构无法高效地实现深度学习与大数据相结合的应用加速。以FPGA为代表的定制化硬件为解决上述问题提供了新思路,一方面,FPGA特有的可重构特性使其能够适应算法的快速发展变化,克服了ASIC解决方案对新兴算法适应性差的的问题;另一方面,FPGA在加速深度学习算法体现出的高能效特性也让其备受研究人员的青睐。随着国内外各大科技公司纷纷在数据中心部署FPGA设备构建异构计算加速集群,CPU+FPGA体系结构在处理大数据应用方面的优势逐渐得到肯定,CPU+FPGA异构计算体现出非常好的发展前景。本文基于CPU-多FPGA异构融合体系结构,面向深度学习与大数据相结合的典型应用,围绕加速器体系结构、算法到硬件映射方案、数据流加速器、性能模型、分布式加速方案等关键技术进行分析研究。本文的研究内容及创新点如下:·研究三维卷积神经网络的FPGA加速技术。本文提出了一种面向二维/三维卷积神经网络加速的模板化体系结构和设计方法。首先,为了减少卷积神经网络的算法复杂度,我们对Winograd快速算法进行扩展使其能运用到三维卷积神经网络中。其次,我们从二维/三维卷积神经网络中抽取了公共算子,并基于此设计了一系列可重构计算模板。最后,我们采用高层次综合语言对计算模板进行实现,并基于这些计算模板构建了加速引擎,实现了模板化加速器的快速生成。由于二维、三维卷积神经网络算法复杂度的差异,先前的工作针对二维卷积神经网络加速器提出的设计空间探索方法对于三维卷积神经网络加速器可能不再适用。针对该问题,我们提出了一种统一的性能分析模型,实现了对二维/三维卷积神经网络加速器的设计空间探索并给出了最优设计参数的搜索方法。实验结果表明针对VGG和C3D网络,我们的加速器在较低的计算资源开销下获得了与目前先进的神经网络加速器相当的性能。在计算吞吐方面,C3D网络加速器获得了13倍于CPU的性能提升;在计算能效方面,C3D网络加速器相对于CPU和GPU分别获得了60倍和30倍的提升。·研究完整的二维/三维卷积神经网络到FPGA硬件的映射方案。本文提出了一种将完整的二维/三维卷积神经网络高效映射到流水化多加速器结构的方案。为了解决网络层规模差异而导致加速器计算效率降低的问题,我们在第一项研究内容的基础上进一步提出了一种流水化多加速器方案,该方案最主要的特点是将所有的层间数据存于片上,从而增加了层间数据复用率,有效降低了片外访存开销,与之前的工作相比,我们进一步提升了加速器的吞吐和效能。为了降低层间数据的片上存储开销,我们首先提出了一种层融合确定算法,通过改变融合层（相邻的两个卷积层）中的循环顺序,实现了层间分块数据的有效利用。其次,为了实现网络层到多个加速器的高效映射,我们基于K-means聚类思想提出了一种层聚类方法,将分块参数接近的网络层进行聚类并映射到同一个加速器。此外,为了解决加速器之间的负载不均衡状况,我们还提出了一种简单而高效的负载均衡调度,进一步提升加速器整体的计算效率。实验结果表明,相比于之前提出的加速器方案,本文提出的流水化多加速器方案获得了最高2.3倍性能提升,在计算效能方面,我们相比于CPU、GPU分别提升了64倍和5倍。·研究以三维卷积神经网络为核心的医疗影像识别应用的并行加速方案。深度学习算法已成功运用到医疗影像分析应用中,然而,应用性能提升的同时,其算法的计算、存储开销也不可避免地增加,导致了应用处理延迟开销的增大。为了解决上述问题,我们以基于三维卷积神经网络的肺结节检测应用为例展开研究,提出了一套基于CPU-多FPGA异构计算平台的肺结节检测加速方案。我们首先对算法并行性进行了深入的分析,提取了核心计算负载——两种三维卷积神经网络:LNS-net和LNC-net,并针对两种网络的不同特征,分别提出了“模型并行”以及“数据并行”的映射方案。其次,我们在第二章提出的三维卷积神经网络加速器基础上进行了改进,节省了硬件资源,提高加速器资源利用率。此外,我们在FPGA节点间设计了两种互连类型——常规通路和快速通路:满足了算法映射方案对FPGA节点间通信的需求。最后,我们采用依托项目开发的定制FPGA加速板卡进行测试,实验结果表明,本文提出的异构系统具有良好的扩展性,并且面向LNS-net和LNC-net的加速方案都获得了高于CPU、GPU的计算吞吐和能效比。与此同时,系统还达到了世界先进水平检测精度。·研究面向深度图卷积神经网络的并行加速方案。我们提出了一种面向深度图卷积神经网络的分布式并行加速方案。我们选取了一个典型的深度图卷积神经网络算法——DAGCN作为主要研究对象,从算法的计算特征、稀疏性等方面对其进行了分析,并通过实验验证了网络层精度与网络深度之间存在正相关关系。我们提出了一种高效的网络映射方案,CPU负责网络层结果的聚合操作,而FPGA则对主要的计算负载——图卷积层进行加速。与前面提到的流水化并行加速方案类似,我们在每个FPGA节点内实现了多个图卷积层加速引擎,以实现多个图卷积层的并行加速。我们将所有节点内的加速引擎组织成横跨所有FPGA节点的长流水线,旨在提高FPGA节点的计算吞吐。为了找到最优设计参数,实现加速器性能最大化,我们建立了数学模型评估加速器的性能与FPGA资源开销。实验结果表明,我们在六加速节点配置下可达到2.6 TFLOPS的实测性能;我们与当前最先进的基于FPGA的图卷积神经网络加速器工作进行对比,进一步表明了我们的加速器方案在计算吞吐和计算效率方面都达到了先进的水平。
田清廉[7]（2020）在《面向实测模型的几何特征识别与重构技术研究》文中指出为提高飞机装配精度和质量,以实测点云数据逆向重构的实测模型取代传统理论模型的飞机虚拟装配分析技术正在成为一种趋势。然而飞机零部件复杂多样,现有逆向工程软件的实测模型重构工作量大、效率低,极大地影响飞机虚拟装配分析周期。为此,本文研究了面向实测模型的几何特征识别与重构技术,提出了一种基于重构模板的几何特征识别和重构策略。本文的主要研究内容如下:（1）分析飞机装配零部件理论模型的几何特征,介绍了基于重构模板的几何特征识别与重构策略,并研究了各类几何特征重构模板的构建方法,为实现几何特征的自动识别与重构提供依据。（2）研究了基于重构模板的大规模散乱点云数据预处理方法。通过空间栅格法建立点云拓扑关系,实现点云k近邻快速搜索,并在此基础上计算点云法向量和曲率信息,再通过几何特征重构模板对点云数据粗分割。（3）研究了粗分割点云的几何特征识别与重构方法。圆孔特征根据点云k近邻分布、欧氏聚类和椭圆拟合法识别边界特征点,然后投影特征点到支持面上拟合圆。蒙皮边界曲线根据重构模板的法平面集合提取边缘特征点,之后拟合B样条曲线。曲面特征采用基于面的区域生长方法分割点云,由重构模板确定分割种子点和初始曲面分割参数,最后分别拟合规则曲面和自由曲面。在上述研究的基础上,本文开发了面向实测模型的几何特征识别与重构软件,基于该软件的重构实例验证了本文理论方法的正确性和实用性。
陈利民[8]（2019）在《无线内窥镜机器人多维信息感知方法》文中研究表明无线内窥镜机器人在全自动/半自动消化道病灶筛查、体内驻留监查、靶向投药、体内活检等未来诊疗应用方面表现出了极大的潜力。内窥镜机器人性能依托于其多维信息感知能力。论文研究工作力求为新型无线内窥镜机器人构建统一的多维信息感知框架,研究在这个框架下具有共性的感知问题和方法。针对无线内窥镜机器人复合图像采集的特点,将压缩感知与多光源同步照明结合,搭建一个同步主动照明压缩成像系统框架。基于统一框架,分别给出多光谱压缩成像、时域压缩成像等的协同测量方案。多通道光源、压缩编码器件和传感器在同步时钟下配合完成压缩测量。基于高信噪比信号辅助估计噪声污染的相关信号,提出一种基于边信息引导的多维信息感知框架。基于该框架为多维信息压缩感知构建低秩张量重构模型,并给出一种强健的迭代解算方法。针对多光谱编码孔径单次曝光成像,在该方法的基础上,提出彩色边信息的多光谱低秩重构算法,有效提高了重构质量。针对内窥镜场景光强高动态的特点,提出一种基于自适应孔径编码的压缩感知方法,基于奇数帧累计光强预测偶数帧饱和区域的机制和灰度编码的方法,有效地改善过饱失真问题。基于提出的边信息引导估计框架,针对单目多视角深度图像估计精度低且不稳定的问题,在端到端的深度卷积网络构架上,提出一种递归变参的代价生成的方法,有效地提升了单目稠密深度图像重构的精度和稳定性。针对无线指纹因异常信号影响定位精度的问题,提出一种无线多径指纹模型。该模型将无线位置指纹特征描述子投影到再生核希尔伯特空间,引入仿射包最邻近点之间的欧氏距离度量位置的相似性。基于其增广拉格朗日函数,给出了该模型的交替迭代求解方法。该方法提高了定位系统抑制异常信号的能力。针对内窥镜在线目标跟踪和重定位的特点,设计一种新的旋转不变的类哈尔统计描述符和基于置信统计的简化统计随机森林判别器。基于孪生深度神经网络和手工描述子复合的框架,搭建一种基于位置精细融合的在线跟踪和重定位方法。临床内窥镜视频测试表明其性能优于现有主流孪生网络跟踪和重定位性能。
于治强[9]（2019）在《基于多传感器信息融合的复合式测量系统关键技术研究》文中指出快速、准确地获取工件表面的坐标数据在工业领域具有广泛的应用,如工件的定位与检测,逆向工程,以及快速成型制造。随着现代工业的快速发展,对产品的功能、结构、外形的要求越来越高,这也对测量系统的性能提出了更高的要求。单一测量传感器已经不能满足现代工业对测量的精度、效率以及智能化水平越来越高的要求。因此多传感器测量技术越来越受到人们关注,已经成为现代工业测量技术的重要发展趋势。本文提出了一种接触式测头与线结构光视觉传感器集成的复合式测量系统,结合接触式测量与线结构光视觉测量各自的特点和优势,实现对具有复杂几何形状的零件的高速、高精、智能化测量。论文对复合式测量系统的数据处理、测量信息的智能化集成等关键技术进行了深入的研究,主要研究内容及成果如下:提出一种接触式测头与线结构光视觉传感器集成的复合式测量系统,实现对复杂工件的高速、高精、智能化测量。所提测量系统先利用光学测量信息指导接触式测头进行少量的接触式测量,再通过数据融合,利用高精度接触式测量数据补偿光学测量数据,以获得大量的高精度光学测量数据用于CAD模型重建。通过不同传感器测量信息的深度融合,充分发挥了各传感器的优势,形成优势互补,从而实现复合式测量系统的高速、高精、智能化测量。提出一种基于邻域分割与重构的稳健法向量估算方法,用于准确可靠地估算点云的法向量,为点云的分割、特征识别等后续操作提供基础。针对现有点云法向量估算方法对噪声、采样非均匀性比较敏感并且在边缘处产生平滑的法向量的问题,提出一种邻域分割与重建策略为点云中的每个点构建一个只包含与当前点位于同一表面的点的一致性邻域,并用该邻域准确计算当前点的法向量。提出一种鲁棒的点云分割与特征识别算法,用于准确提取点云中包含的被测物体几何信息。所提算法采用一种新的区域增长分割策略,以点的邻域的法向量标准差作为点间相似性度量,并以当前点与初始种子点的邻域法向量标准差的相似性作为种子点选取的依据,可以有效避免平滑过渡的不同曲面特征的欠分割现象,实现了复杂点云数据的准确分割。提出一种基于改进的B样条曲线变形技术的自由曲面测量数据融合算法。在传统的基于能量法的B样条曲线变形技术基础上,提出一种新的具有平滑作用的曲线内能表达形式,使得算法在保持曲线整体形状的同时对曲线具有平滑作用,提高了测量系统对噪声的鲁棒性。利用这种曲线变形技术对光学测量获得的轮廓曲线进行修正,使得修正后的曲线经过所有高精度的接触式测量点,同时保持原始曲线的整体形状并且更加光顺,因此变形后的曲线具有更高的精度。该方法只需少量的接触测点即可提高光学测量的精度,从而实现对自由曲面的快速、精确测量。
翁翔宇[10]（2020）在《三目混合立体视觉系统检测技术研究》文中进行了进一步梳理视觉传感器能够自动、非接触、实时的获取物体的距离、形状、位置、姿态、运动等丰富的外界环境几何信息,并且能对它们进行识别与理解。对于诸多视觉检测任务,大视场和高分辨率等多任务的需求越来越广,传统的同构视觉系统在包含自身优势的同时,在诸多应用领域中又凸显弊端,无法满足多任务需求。近些年计算机计算能力的提升以及机器视觉算法的发展,使得多目立体视觉,甚至更复杂的多目混合立体视觉和多传感器融合等能够完成上述多任务目标的技术,成为研究热点。由于多目混合立体视觉系统不同于传统的同构立体视觉系统,主要表现在视觉模型、相机姿态估计算法、尺度统一、立体匹配、定位算法和目标识别与跟踪算法等方面。因此,本文研究的主要方向是一种基于折反射全景视觉和鱼眼视觉的三目混合立体视觉系统（OFTHS,Omni-fisheye based trinocular hybrid stereo vision system）大视场三维检测任务中还需要研究的关键问题,主要包括三目混合立体视觉系统的单目成像模型归一化、三焦点张量计算、三视图基元基于三焦点张量约束的立体匹配、三目视觉立体标定及重构尺度归一化、全景视觉目标识别与跟踪等技术。论文首先以一般相机畸变投影模型为归一化模型,对本文混合立体视觉系统中的折返射全景视觉模型和鱼眼视觉模型进行了研究,使用球面统一成像模型对单视点全景成像系统进行建模分析,并研究了基于球面统一成像模型的折返射全景视觉系统标定算法和基于归一化模型结合球面统一成像模型畸变参数和内参数的透视展开算法;使用归一化模型和鱼眼镜头的对称畸变模型组成的鱼眼相机一般模型,对鱼眼视觉系统进行建模、标定和畸变矫正。三目混合立体视觉系统经过标定、展开后,消除了畸变和内参的影响,得到归一化模型下有效共同视场的三视图透视图像基元,为后续研究奠定基础。其次,针对本文第二章基于归一化模型标定展开得到的归一化三视图图像基元,改进了一种三焦点张量解法,提出了一种基于三焦点张量点转移性质的引导匹配算法。通过手动提取N对三维标定板中的三视图对应点对,选取任意6个匹配点对,并投影到特定约束的位置,实现了直接计算得到满足几何约束的三相机矩阵,进而得到满足三线性约束的三焦点张量初始解,然后使用N个匹配点对和三焦点张量点转移约束,通过非线性迭代优化得到三焦点张量的优化解,避免了原算法三焦点张量初始的解计算时,三相机矩阵二次计算过程中的大量矩阵求逆运算,提高了三焦点张量计算方法的抗噪声能力和鲁棒性;在三维计算过程中,通过三焦点张量的点转移性质,在解得的第三幅视图匹配点附近搜索最佳匹配点的方式进行三视图引导匹配,获得了最佳三视图匹配点对,有效解决了传统基于对极几何弱约束和余差匹配算法在对极线附近和三焦点平面附近失效的问题,并有效减少了误匹配和匹配不准问题,提高了抗噪声干扰能力。然后,通过分析传统三目视觉分层重构方法,提出了一种基于三焦点张量的三视图基元直接欧式坐标计算方法,解决了传统三目立体视觉分层重构算法借助自然环境中的消失点、消失线等难以获得的先验信息导致的单应矩阵和内参矩阵无法计算或计算不准确,并且由于缺少地面真实距离,而无法计算重构空间与真实空间之间的尺度因子,只能实现度量重构的问题。该方法利用内参矩阵具有仿射不变性约束这一特点,通过第二章的归一化模型消除内参矩阵影响,以本质矩阵分解的方法获得满足度量重构的相机姿态信息,同时使用了标定块距离这一真实距离信息,获得重构空间与真实空间的统一尺度因子,实现了度量尺度归一化,获得了可以直接用于欧式三维计算的标定参数,实现了立体标定;使用线性三角形法计算最小代数误差下的空间点初始解,然后迭代优化几何误差,得到最优空间点坐标,最终实现三视图基元下的直接欧式三维计算。最后,为实现本文混合立体视觉传感器目标检测任务,即目标的识别、跟踪与定位,针对折反射全景视觉系统图像的畸变特性,光照和分辨率分布不均匀等特点,研究了折反射全景视觉作为目标识别传感器的两大问题,目标识别和目标跟踪技术。首先改进了一种基于YOLOv3的全景视觉目标识别算法,使用了全景视觉图像库,对基于深度学习的YOLOv3目标识别与分类算法进行训练,然后通过识别得到的矩形参数,计算椭圆拟合参数和目标角度值,当目标与全景坐标系轴向夹角大于一定阈值时,通过旋转并二次识别的方式,实现了全景视觉下的YOLOv3目标识别与分类,解决了传统YOLO算法在全景图像识别中因圆周向和径向畸变特性导致的目标区域表达不准确的难题;以识别算法获得的目标椭圆区域作为目标跟踪算法的输入,结合识别算法,在模型更新策略等方面,对改进的基于在线选择的全景目标跟踪算法的模型更新策略进行了改进,当判断需要目标模型更新时,使用本文改进的目标识别算法重新计算目标区域并更新目标模型,有效解决了长时间目标跟踪过程中,原目标跟踪算法因使用错误的模型进行更新而容易导致跟踪漂移的问题,增加了系统的鲁棒性。在局部三视图上进行匹配计算,减少了计算时间。结合本文提出的混合立体视觉系统视觉模型归一化方法、改进的三焦点张量解法、基于三焦点张量点转移性质的三视图引导匹配方法、直接欧式三维计算方法、目标识别和跟踪算法,研究并开发了混合立体视觉检测系统。通过实验验证了引入目标识别-跟踪算法框架和局部三视图匹配后系统的可信性,定位精度和计算时间等。最终实现三目混合立体视觉系统下的检测任务。
二、三维欧氏重构的快速算法（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、三维欧氏重构的快速算法（论文提纲范文）
（1）基于在机视觉测量的叶片形貌重构点云数据处理技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及课题来源 |
| 1.2 薄壁类叶片三维测量主要方法 |
| 1.3 国内外研究现状 |
| 1.3.1 航空叶片在机测量技术研究现状 |
| 1.3.2 点云数据预处理技术研究现状 |
| 1.3.3 点云配准技术研究现状 |
| 1.3.4 曲面重构技术研究现状 |
| 1.4 本文主要研究内容 |
| 第2章 叶片形貌测量系统设计与在机环境分析 |
| 2.1 在机测量分析 |
| 2.1.1 在机测量环境分析 |
| 2.1.2 在机测量硬件需求 |
| 2.2 光栅投影单目测量系统平台设计 |
| 2.2.1 系统硬件模块 |
| 2.2.2 系统软件平台 |
| 2.3 光栅投影新型测量模型 |
| 2.3.1 相位-相机坐标关系 |
| 2.3.2 像素点-相机坐标关系 |
| 2.4 单目测量系统标定方法 |
| 2.4.1 测量系统中工业相机标定 |
| 2.4.2 相机标定实验 |
| 2.5 相位展开方法 |
| 2.5.1 相位主值的提取 |
| 2.5.2 多频外差相位展开方法 |
| 2.6 在机测量模拟 |
| 2.7 本章小结 |
| 第3章 薄壁叶片测量点云数据滤波与精简技术研究 |
| 3.1 在机测量噪声点分析 |
| 3.2 噪声点云系统预处理方法 |
| 3.2.1 改进直通滤波方案 |
| 3.2.2 基于统计与半径滤波结合的改进算法 |
| 3.2.3 基于双边滤波的点云处理 |
| 3.2.4 改进体素格栅法下采样算法 |
| 3.3 噪声点云预处理实验 |
| 3.4 本章小结 |
| 第4章 结构光测量系统的叶片点云配准技术研究 |
| 4.1 点云数据配准原理 |
| 4.2 点云数据初始配准方案 |
| 4.2.1 基于特征直方分布(PFH)的SAC-IA配准及分析 |
| 4.2.2 基于快速特征直方分布(FPFH)的SAC-IA初始配准及分析 |
| 4.2.3 基于正态分布NDT配准及分析 |
| 4.3 改进点云数据配准方案 |
| 4.3.1 ICP配准算法原理 |
| 4.3.2 改进航空叶片点云整体配准方案 |
| 4.3.3 配准实验效果与分析 |
| 4.4 本章小结 |
| 第5章 结构光测量系统的叶片曲面重构技术研究 |
| 5.1 点云曲面重构技术 |
| 5.2 基于贪婪投影的改进算法 |
| 5.2.1 KD-tree邻域搜索建立 |
| 5.2.2 切平面的确定与投影 |
| 5.2.3 平面三角剖分与参数分析设置 |
| 5.2.4 基于邻域点参数调整的MLS平滑 |
| 5.3 航空叶片曲面重构算法实验对比 |
| 5.3.1 基于移动立方体表面重构结果 |
| 5.3.2 基于泊松重构算法结果 |
| 5.3.3 基于改进贪婪投影算法表面重构结果 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文及其他成果 |
| 致谢 |
（2）房间轮廓声学重构与室内声学定位关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题的研究背景与意义 |
| §1.2 室内声学定位 |
| §1.3 关键技术及挑战 |
| §1.3.1 关键技术 |
| §1.3.2 挑战 |
| §1.4 国内外研究现状与分析 |
| §1.4.1 房间轮廓声学重构 |
| §1.4.2 室内声源定位 |
| §1.4.3 室内声学指纹定位 |
| §1.5 本文主要研究内容及文章结构 |
| 第二章 房间轮廓声学重构与室内声学定位基础理论与方法 |
| §2.1 引言 |
| §2.2 房间轮廓声学重构的基础理论与基本方法 |
| §2.2.1 房间轮廓声学重构的基础理论 |
| §2.2.2 房间轮廓声学重构的基本方法 |
| §2.3 室内声学定位的基础理论与基本方法 |
| §2.3.1 室内声源定位的基础理论 |
| §2.3.2 室内声源定位的基本方法 |
| §2.3.3 室内声学指纹定位的基础理论 |
| §2.3.4 室内声学指纹定位的基本方法 |
| §2.4 本章小结 |
| 第三章 房间轮廓声学重构与室内说话人连续定位 |
| §3.1 引言 |
| §3.2 系统概述 |
| §3.3 房间轮廓声学重构 |
| §3.3.1 基于DSB的一阶镜像声源位置估计 |
| §3.3.2 基于EDM秩约束的一阶镜像声源位置估计 |
| §3.3.3 基于声学镜像模型的房间轮廓估计 |
| §3.4 房间空间剖分与说话人连续定位 |
| §3.4.1德罗内三角剖分(Delaunay Triangulation) |
| §3.4.2 DTSVR自适应搜索体元生成算法 |
| §3.5 实验及结果分析 |
| §3.5.1 房间轮廓声学重构结果分析 |
| §3.5.2 Delaunay剖分结果分析 |
| §3.5.3 说话人连续定位结果分析 |
| §3.6 本章小结 |
| 第四章 基于智能手机多传感融合的室内行人连续自定位方法 |
| §4.1 引言 |
| §4.2 系统概述 |
| §4.3 一阶反射声飞行路程估计 |
| §4.4 一阶反射声飞行路程测量 |
| §4.4.1 相位变换广义互相关 |
| §4.4.2 一阶反射声飞行路程 |
| §4.5 声学约束算法 |
| §4.5.1 声压级约束 |
| §4.5.2 声能约束 |
| §4.5.3 声学约束算法 |
| §4.6 基于最小二乘的室内行人位置估计 |
| §4.7 实验结果与分析 |
| §4.7.1 行人步长与转向角估算结果 |
| §4.7.2 一阶反射声飞行路程测量 |
| §4.7.3 行人定位轨迹与误差分析 |
| §4.8 本章小结 |
| 第五章 基于听觉场景分析的室内LBS用户定位 |
| §5.1 引言 |
| §5.2 系统概述 |
| §5.3 声学指纹构建与匹配定位算法 |
| §5.3.1 基于听觉场景分析的声谱特征 |
| §5.3.2 房间级定位算法 |
| §5.3.3 区域级定位算法 |
| §5.4 CRP色彩声图 |
| §5.5 实验结果与分析 |
| §5.5.1 房间级定位结果 |
| §5.5.2 区域级定位结果 |
| §5.6 本章小结 |
| 第六章 总结与展望 |
| §6.1 全文工作总结 |
| §6.2 研究展望 |
| 参考文献 |
| 攻读博士期间发表的论文及其它成果 |
| 致谢 |
（3）基于视觉示教的机器人任务学习方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源及研究目的和意义 |
| 1.1.1 课题来源及研究目的 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 目标检测与位姿估计 |
| 1.2.2 模仿学习 |
| 1.2.3 强化学习 |
| 1.2.4 研究现状简析 |
| 1.3 主要研究内容 |
| 第2章 具旋转不变性的局部特征Edge patch |
| 2.1 引言 |
| 2.2 E-patch的提取 |
| 2.2.1 前景深度边缘点的提取 |
| 2.2.2 沿主方向的E-patch采样 |
| 2.2.3 深度检测 |
| 2.3 特征编码网络的训练 |
| 2.3.1 特征编码网络的结构 |
| 2.3.2 特征编码网络的训练框架 |
| 2.3.3 训练样本的提取 |
| 2.3.4 特征编码网络的训练结果 |
| 2.4 实验及分析 |
| 2.4.1 特征匹配评价指标 |
| 2.4.2 特征编码网络训练效果 |
| 2.4.3 关键提取环节作用 |
| 2.4.4 与现有特征的对比 |
| 2.5 本章小结 |
| 第3章 视觉示教中操作物体的检测与位姿估计 |
| 3.1 引言 |
| 3.2 算法概述 |
| 3.3 E-patch特征码书的离线构建 |
| 3.3.1 目标物体的三维重构 |
| 3.3.2 E-patch特征码书的构建 |
| 3.4 物体检测与位姿估计的在线阶段 |
| 3.5 基于可视曲面的假设位姿检验及细化 |
| 3.5.1 可视曲面提取 |
| 3.5.2 深度一致性检验 |
| 3.5.3 假设位姿的细化及其初步检验 |
| 3.5.4 偏置鲁棒性检验 |
| 3.6 实验及分析 |
| 3.6.1 基于Tejani数据集的实验 |
| 3.6.2 基于Occlusion数据集的实验 |
| 3.6.3 基于视觉示教数据集的实验 |
| 3.7 本章小结 |
| 第4章 基于DMPs和DDPG算法的任务学习 |
| 4.1 引言 |
| 4.2 示教过程目标物体轨迹的提取 |
| 4.3 基于DMPs的模仿学习 |
| 4.3.1 基于DMPs模型的一维轨迹学习 |
| 4.3.2 基于DMPs的操作物体位姿轨迹学习 |
| 4.4 基于强化学习算法DDPG的轨迹规划 |
| 4.4.1 DDPG算法概述 |
| 4.4.2 基于点吸引子系统的控制器设计 |
| 4.4.3 基于DDPG算法的轨迹规划 |
| 4.5 仿真实验与分析 |
| 4.5.1 机器人仿真分析概述 |
| 4.5.2 面向协作机器人拾放任务的学习 |
| 4.5.3 面向码垛机器人快速搬运任务的学习 |
| 4.6 本章小结 |
| 第5章 基于视觉示教的任务学习实验研究 |
| 5.1 引言 |
| 5.2 示教信息提取 |
| 5.2.1 E-patch的提取实验 |
| 5.2.2 操作物体运动轨迹提取 |
| 5.3 机器人任务学习 |
| 5.3.1 任务学习实验系统 |
| 5.3.2 机器人控制模式 |
| 5.3.3 任务学习实验与分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（4）三维模型变形技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 选题背景及意义 |
| 1.3 变形技术的研究现状 |
| 1.3.1 二维图像变形技术 |
| 1.3.2 基于网格曲面的三维变形技术 |
| 1.3.3 基于图像的三维模型变形技术 |
| 1.3.4 其他三维变形技术 |
| 1.4 本文研究思路、内容和结构安排 |
| 1.4.1 研究思路 |
| 1.4.2 研究内容 |
| 1.4.3 本文结构 |
| 第二章 网格变形的理论基础 |
| 2.1 三维几何模型的表示方式 |
| 2.2 基本定义 |
| 2.2.1 网格 |
| 2.2.2 点云 |
| 2.2.3 微分坐标 |
| 2.2.4 均值坐标 |
| 2.2.5 能量函数 |
| 2.3 共形映射 |
| 2.3.1 基本定义 |
| 2.3.2 离散曲面 |
| 2.3.3 黎曼度量 |
| 2.3.4 贝尔特拉米系数方程与系数 |
| 2.4 本章小结 |
| 第三章 基于二维图像形状特征引导的三维模型变形算法研究 |
| 3.1 引言 |
| 3.2 变形算法概要 |
| 3.3 基于二维图像形状特征的三维模型变形算法 |
| 3.3.1 提取图像形状特征 |
| 3.3.2 提取原始三维模型形状特征 |
| 3.3.3 定义模型变形控制约束条件 |
| 3.3.4 改进的保刚性网格变形算法 |
| 3.4 实验结果及讨论 |
| 3.4.1 参数γ的实例研究 |
| 3.4.2 改进保刚性网格变形算法效果评估 |
| 3.4.3 基于二维图像形状特征的三维模型变形算法的有效性 |
| 3.4.4 基于二维图像形状特征的三维模型变形算法的效率 |
| 3.5 本章小结 |
| 第四章 基于多模型形状特征关联的变形算法研究 |
| 4.1 引言 |
| 4.2 变形算法概要 |
| 4.3 基于多模型形状特征关联的变形算法 |
| 4.3.1 模型配准 |
| 4.3.2 准共形映射参数化 |
| 4.3.3 变形控制约束条件的定义 |
| 4.3.4 准共形迭代算法 |
| 4.3.5 模型恢复算法 |
| 4.4 实验结果及讨论 |
| 4.4.1 基于多模型形状特征关联的变形算法的有效性 |
| 4.4.2 基于多模型形状特征关联的变形算法的效率 |
| 4.4.3 消融研究 |
| 4.5 本章小结 |
| 第五章 基于模型部件形状特征的三维模型变形方法研究 |
| 5.1 引言 |
| 5.2 变形方法概要 |
| 5.3 基于模型部件形状特征的三维模型变形方法 |
| 5.3.1 模型数据预处理 |
| 5.3.2 基于八叉树的卷积神经网络分割算法 |
| 5.3.3 深度学习分类算法 |
| 5.3.4 模型部件变形 |
| 5.3.5 样条拼接算法 |
| 5.4 实验结果及讨论 |
| 5.4.1 模型切割结果比较 |
| 5.4.2 模型变形结果比较 |
| 5.4.3 模型变形方法的有效性 |
| 5.4.4 模型变形方法的效率 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（5）本质属性增强及其混合约束的图像修复算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 图像质量退化过程及修复形式 |
| 1.2.1 图像去噪问题 |
| 1.2.2 图像修补问题 |
| 1.2.3 图像去模糊问题 |
| 1.2.4 图像质量评价标准 |
| 1.3 本文主要研究内容 |
| 1.4 本文的组织结构 |
| 第二章 图像本质属性分析 |
| 2.1 国内外研究现状 |
| 2.2 稀疏性 |
| 2.3 低秩性 |
| 2.4 光滑性 |
| 2.5 转置性 |
| 2.6 本章小结 |
| 第三章 基于迭代重加权约束的组稀疏表示重构算法 |
| 3.1 引言 |
| 3.2 通用回归分析框架 |
| 3.2.1 线性回归型重构模型 |
| 3.2.2 加权回归重构模型 |
| 3.2.3 鲁棒回归重构模型 |
| 3.3 迭代重约束组稀疏表示 |
| 3.3.1 自适应特征权值学习 |
| 3.3.2 自适应距离权值学习 |
| 3.4 迭代重约束组稀疏最小化求解算法 |
| 3.5 IRGSC的收敛性和算法复杂度分析 |
| 3.5.1 IRGSC的收敛性分析 |
| 3.5.2 算法复杂度分析 |
| 3.6 实验分析 |
| 3.6.1 实验设置 |
| 3.6.2 无遮挡情况下图像重构 |
| 3.6.3 遮挡情况下的人脸重构分类 |
| 3.7 本章小结 |
| 第四章 基于图像组训练及非凸约束的去噪去模糊算法 |
| 4.1 研究背景与意义 |
| 4.2 图像块匹配操作 |
| 4.3 图像块转置学习 |
| 4.4 图像块去噪去模糊 |
| 4.5 基于图像组学习及非凸约束的图像去噪去模糊算法 |
| 4.5.1 模型构建 |
| 4.5.2 稀疏求解过程 |
| 4.6 实验分析 |
| 4.7 本章小结 |
| 第五章 基于稀疏转置和加权奇异值最小化的图像修复算法 |
| 5.1 相关研究现状 |
| 5.2 图像域修复算法 |
| 5.3 转置域修复算法 |
| 5.4 稀疏转置和加权奇异值最小化的图像修复算法 |
| 5.5 所提算法的高效求解模型 |
| 5.6 实验结果展示 |
| 5.7 本章小结 |
| 第六章 基于增强低秩及全差约束的彩色图像多通道修补算法 |
| 6.1 相关研究现状 |
| 6.2 彩色图像修补研究现状 |
| 6.2.1 多通道修补 |
| 6.2.2 属性估计 |
| 6.3 所提多通道联合算法 |
| 6.4 优化算法 |
| 6.4.1 基础推论 |
| 6.4.2 Moreau近似微分凸优化算法 |
| 6.4.3 计算复杂度分析 |
| 6.5 实验验证 |
| 6.5.1 划痕及文本移除 |
| 6.5.2 随机丢失像素修补 |
| 6.5.3 混合噪声移除 |
| 6.5.4 算法时间复杂度对比 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 1 作者简历 |
| 2 攻读博士/硕士学位期间发表的学术论文 |
| 3 发明专利 |
| 学位论文数据集 |
（6）面向大数据处理的异构融合可重构数据流加速器研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 相关研究 |
| 1.2.1 新兴异构系统结构 |
| 1.2.2 卷积神经网络及其加速方法相关研究 |
| 1.2.3 图神经网络研究 |
| 1.2.4 高级综合工具 |
| 1.3 本文主要研究内容及创新点 |
| 1.4 论文组织结构 |
| 第二章 面向二维/三维卷积神经网络的可重构模板化加速器研究 |
| 2.1 引言 |
| 2.2 三维卷积神经网络算法分析 |
| 2.3 Winograd算法扩展 |
| 2.4 模板化设计方法 |
| 2.4.1 算法考量 |
| 2.4.2 提取公共算子 |
| 2.4.3 可重构模板设计 |
| 2.4.4 模板化加速器 |
| 2.4.5 基于高级综合工具的优化方法 |
| 2.5 加速器设计空间探索 |
| 2.5.1 天花板模型 |
| 2.5.2 性能模型 |
| 2.5.3 资源模型 |
| 2.6 实验评估 |
| 2.6.1 实验设置 |
| 2.6.2 评估结果 |
| 2.7 相关工作 |
| 2.8 本章小节 |
| 第三章 支持全网络并行加速的多加速器流水线设计 |
| 3.1 引言 |
| 3.2 神经网络加速器工作方式 |
| 3.3 层融合技术概述 |
| 3.4 网络映射方案 |
| 3.4.1 CNN网络层间数据重用方式分析 |
| 3.4.2 融合层的确定算法 |
| 3.4.3 网络层聚类 |
| 3.4.4 负载均衡调度方案 |
| 3.5 加速器设计空间探索 |
| 3.5.1 性能模型 |
| 3.5.2 资源模型 |
| 3.6 实验评估 |
| 3.6.1 实验设置 |
| 3.6.2 性能分析 |
| 3.6.3 相关工作 |
| 3.7 本章小节 |
| 第四章 基于CPU-FPGA异构平台的医疗影像识别加速方案 |
| 4.1 引言 |
| 4.2 肺结节检测 |
| 4.2.1 算法概述 |
| 4.2.2 算法分析 |
| 4.3 稀疏三维Winograd算法 |
| 4.4 CPU-多 FPGA异构并行加速系统 |
| 4.4.1 系统总览 |
| 4.4.2 三维反卷积层加速器 |
| 4.4.3 网络接口模块 |
| 4.4.4 网络模型映射方案 |
| 4.4.5 节点通信优化 |
| 4.5 实验评估 |
| 4.5.1 实验设置 |
| 4.5.2 实验结果 |
| 4.6 相关工作 |
| 4.7 本章小节 |
| 第五章 面向深度图卷积神经网络的分布式并行加速研究 |
| 5.1 引言 |
| 5.2 图卷积神经网络变体模型 |
| 5.2.1 图卷积神经网络的稀疏性分析 |
| 5.2.2 网络精度与网络深度的关系 |
| 5.3 稀疏矩阵压缩方法 |
| 5.4 矩阵乘并行分块算法 |
| 5.5 分布式并行加速方案 |
| 5.5.1 系统结构 |
| 5.5.2 深度图卷积神经网络映射方案 |
| 5.5.3 图卷积神经网络加速器 |
| 5.6 系统性能与资源评估 |
| 5.6.1 性能模型 |
| 5.6.2 资源模型 |
| 5.7 实验评测 |
| 5.7.1 实验设置 |
| 5.7.2 性能分析 |
| 5.8 相关工作 |
| 5.9 本章小节 |
| 第六章 工作总结与未来展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（7）面向实测模型的几何特征识别与重构技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 三维点云数据获取技术 |
| 1.2.2 点云数据处理技术 |
| 1.2.3 基于特征的模型重构技术 |
| 1.3 论文主要内容与章节安排 |
| 第二章 基于理论模型的重构模板构建 |
| 2.1 引言 |
| 2.2 基于重构模板的几何特征重构策略 |
| 2.3 几何特征重构模板构建方法 |
| 2.3.1 几何特征定义与分类 |
| 2.3.2 曲线特征重构模板构建 |
| 2.3.3 规则曲面特征重构模板构建 |
| 2.3.4 自由曲面特征分割模板构建 |
| 2.3.5 曲面特征相邻关系重构模板 |
| 2.4 本章小结 |
| 第三章 基于重构模板的点云数据预处理 |
| 3.1 引言 |
| 3.2 点云拓扑关系建立 |
| 3.2.1 点云空间栅格拓扑关系建立 |
| 3.2.2 基于空间栅格的k近邻点搜索 |
| 3.2.3 点云拓扑关系建立实例验证 |
| 3.3 点云法向量和曲率估算 |
| 3.3.1 点云法向量估算 |
| 3.3.2 点云曲率估算 |
| 3.3.3 点云法向量与曲率估算实例验证 |
| 3.4 点云数据粗分割 |
| 3.4.1 重构模板引导的点云数据粗分割算法 |
| 3.4.2 点云数据粗分割实例 |
| 3.5 本章小结 |
| 第四章 粗分割点云几何特征识别与重构 |
| 4.1 引言 |
| 4.2 曲线特征识别与重构 |
| 4.2.1 圆孔特征识别与重构 |
| 4.2.2 蒙皮边界曲线特征重构 |
| 4.3 曲面特征识别与重构 |
| 4.3.1 基于面的区域生长分割方法 |
| 4.3.2 自由曲面特征点云分割 |
| 4.3.3 规则曲面特征点云分割 |
| 4.3.4 曲面特征拟合重构 |
| 4.4 本章小结 |
| 第五章 软件开发与实验验证 |
| 5.1 算法实现与软件开发 |
| 5.1.1 软件开发环境 |
| 5.1.2 软件功能模块的设计与实现 |
| 5.2 几何特征识别重构实例 |
| 5.2.1 圆孔特征识别重构实例 |
| 5.2.2 蒙皮边界曲线特征重构实例 |
| 5.2.3 翼肋曲面特征重构实例 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 课题展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果 |
（8）无线内窥镜机器人多维信息感知方法（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 无线内窥镜机器人与多维信息感知 |
| 1.1 无线内窥镜机器人 |
| 1.2 无线内窥镜机器人多维感知 |
| 1.3 研究目标和内容 |
| 第2章 无线内窥镜同步主动照明压缩成像 |
| 2.1 同步主动照明压缩成像系统框架 |
| 2.2 同步主动照明压缩成像系统模型 |
| 2.3 同步主动照明自适应成像系统 |
| 2.4 本章小结 |
| 第3章 基于边信息引导的多维信息重构方法 |
| 3.1 基于边信息的多维信息感知 |
| 3.2 边信息引导的低秩张量重构 |
| 3.2.1 边信息引导的低秩张量重构模型 |
| 3.2.2 引导低秩张量重构模型的迭代解法 |
| 3.3 本章小结 |
| 第4章 边信息引导三维图像重构 |
| 4.1 彩色引导低秩多光谱张量重构 |
| 4.1.1 彩色成像与多光谱压缩感知双臂成像系统 |
| 4.1.2 彩色图像引导的低秩多光谱张量重构方法 |
| 4.1.3 性能评估与分析 |
| 4.2 基于边信息引导的单目多视角深度图像估计 |
| 4.2.1 基于单目视频序列的深度图像估计 |
| 4.2.2 基于边信息引导的多视角深度图像重建 |
| 4.2.3 实验结果及分析 |
| 4.3 本章小结 |
| 第5章 单站阵列信号特征与外点免疫的多径指纹模型 |
| 5.1 多径环境下的无线定位 |
| 5.2 信号模型的数学描述 |
| 5.2.1 多径信号指纹模型的构建 |
| 5.2.2 格拉斯曼流形上的信号集模型 |
| 5.3 多路径指纹仿射包最佳近点定位算法 |
| 5.3.1 基于格拉斯曼仿射包的特征描述子 |
| 5.3.2 多径指纹的距离测度 |
| 5.3.3 MFAH相似度量的增广拉格朗日迭代解法 |
| 5.4 基于多径指纹MFAH模型的定位方法 |
| 5.5 实验与算法评估 |
| 5.5.1 实验方法 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 第6章 随机采样统计描述子及内窥镜跟踪与重定位 |
| 6.1 内窥镜图像序列跟踪与短期重定位 |
| 6.2 内窥镜场景中现有方法存在的问题 |
| 6.3 随机采样统计描述和多感受域融合 |
| 6.3.1 新的旋转不变二进制描述子 |
| 6.3.2 基于统计置信度的在线简化随机森林构建 |
| 6.3.3 基于RIBHD的在线跟踪和重定位系统 |
| 6.4 多感受域融合框架的性能评估 |
| 6.4.1 评估指标和参数配置 |
| 6.4.2 基于统计随机森林的RIBHD性能 |
| 6.4.3 在线跟踪和重定位性能 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 创新点 |
| 7.3 后期工作 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（9）基于多传感器信息融合的复合式测量系统关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 字母注释表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 多传感器测量中的关键技术及研究现状 |
| 1.2.1 多传感器测量方法的研究现状 |
| 1.2.2 3D点云数据分割与特征识别的研究现状 |
| 1.2.3 点云法向量估算的研究现状 |
| 1.3 问题的提出及本文的主要研究内容 |
| 1.3.1 问题的提出 |
| 1.3.2 本文研究的主要内容 |
| 第二章 复合式测量系统的原理及其标定技术 |
| 2.1 复合式测量系统的组成与原理 |
| 2.1.1 五轴加工中心 |
| 2.1.2 复合式测头的结构设计 |
| 2.1.3 复合式测量系统的工作原理 |
| 2.2 接触式测头标定 |
| 2.2.1 测头预行程误差的分析与补偿 |
| 2.2.2 测头预行程误差的标定 |
| 2.3 线结构光视觉系统标定 |
| 2.3.1 线结构光视觉系统数学模型 |
| 2.3.2 相机标定 |
| 2.3.3 光平面标定 |
| 2.4 复合式测量系统的全局标定 |
| 2.5 本章小结 |
| 第三章 基于邻域分割与重构的点云法向量估算方法 |
| 3.1 法向量估算方法的原理与流程 |
| 3.2 基于邻域法向量标准差的特征点识别方法 |
| 3.3 邻域分割与重建方法 |
| 3.3.1 基于欧式距离聚类的邻域分割 |
| 3.3.2 基于残差约束的候选邻域构建 |
| 3.3.3 窄带状特征的处理 |
| 3.3.4 非均匀采样的处理 |
| 3.3.5 邻域选择标准 |
| 3.3.6 算法的计算复杂度分析 |
| 3.4 结果与讨论 |
| 3.4.1 特征保持性的比较 |
| 3.4.2 对非均匀采样的鲁棒性的比较 |
| 3.4.3 对噪声的鲁棒性比较 |
| 3.4.4 细节特征保持性比较 |
| 3.4.5 处理实际扫描点云的能力 |
| 3.5 本章小结 |
| 第四章 3D点云数据的分割与特征识别方法研究 |
| 4.1 点云分割与特征识别方法的原理与流程 |
| 4.2 基于欧氏距离聚类的点云粗分割 |
| 4.3 曲面数据特征识别和参数化 |
| 4.4 基于改进区域增长算法的点云细化分割 |
| 4.5 分割优化 |
| 4.5.1 特征点的处理 |
| 4.5.2 点云面片合并 |
| 4.6 参数设置 |
| 4.7 实验验证 |
| 4.8 本章小结 |
| 第五章 多传感器测量信息融合技术 |
| 5.1 复合式测量系统的框架 |
| 5.2 特征指导的接触式测量 |
| 5.2.1 测点规划 |
| 5.2.2 测头路径规划 |
| 5.2.3 碰撞检测 |
| 5.2.4 碰撞规避 |
| 5.3 光学测量与接触式测量的数据融合技术 |
| 5.3.1 基于曲面拟合与坐标更新的几何特征数据融合 |
| 5.3.2 基于改进B样条曲线变形技术的自由曲面数据融合 |
| 5.4 本章小结 |
| 第六章 复合式测量系统的实验验证 |
| 6.1 几何曲面测量实验 |
| 6.2 自由曲面测量实验 |
| 6.3 复杂工件测量实验 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 全文总结 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）三目混合立体视觉系统检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 博士学位论文创新成果自评表 |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 单视点折反射全景视觉系统的建模与标定 |
| 1.2.2 鱼眼视觉系统模型、标定与矫正方法研究现状 |
| 1.2.3 混合立体视觉系统模型归一化技术研究现状 |
| 1.2.4 三焦点张量计算方法及三目立体匹配技术研究现状 |
| 1.2.5 三目立体视觉标定和三维计算方法研究现状 |
| 1.2.6 视觉目标识别与跟踪技术研究现状 |
| 1.3 本文的研究内容和组织结构 |
| 第2章 混合视觉系统模型归一化方法研究 |
| 2.1 概述 |
| 2.2 混合立体视觉系统归一化模型研究 |
| 2.2.1 一般线性成像模型 |
| 2.2.2 基于归一化模型的图像透视展开方法 |
| 2.3 折反射全景视觉系统成像原理、标定及局部透视展开方法 |
| 2.3.1 单视点全景视觉系统的组成 |
| 2.3.2 单视点全景视觉系统光路跟踪成像原理 |
| 2.3.3 单视点全景视觉系统球面统一成像模型 |
| 2.3.4 单视点全景视觉系统标定 |
| 2.3.5 基于归一化模型的单视点全景图像局部透视展开 |
| 2.4 基于归一化模型的鱼眼视觉系统标定 |
| 2.5 实验结果及分析 |
| 2.5.1 混合立体视觉系统单目相机标定实验 |
| 2.5.2 混合立体视觉系统共同视场展开实验 |
| 2.6 本章小结 |
| 第3章 三焦点张量计算及三目视觉立体匹配方法研究 |
| 3.1 概述 |
| 3.2 对极几何约束及其性质 |
| 3.2.1 对极几何约束 |
| 3.2.2 基础矩阵 |
| 3.2.3 本质矩阵 |
| 3.3 三焦点张量约束及其性质 |
| 3.3.1 三焦点张量的代数表达 |
| 3.3.2 三焦点张量与投影矩阵的相互求取方法 |
| 3.4 一种改进的基于六点最小配置的三焦点张量计算方法研究 |
| 3.5 基于三焦点张量约束的三目视觉立体匹配方法研究 |
| 3.6 实验结果及分析 |
| 3.6.1 三焦点张量计算实验 |
| 3.6.2 基于三焦点张量点转移性质的立体匹配实验 |
| 3.7 本章小结 |
| 第4章 三目混合立体视觉立体标定及三维定位方法研究 |
| 4.1 概述 |
| 4.2 基于三焦点张量的三视图分层重构方法 |
| 4.2.1 三视图射影重构 |
| 4.2.2 三视图仿射重构 |
| 4.2.3 三视图度量重构 |
| 4.2.4 三视图分层欧式重构与缺陷分析 |
| 4.3 基于三焦点张量约束的三视图直接欧式重构方法 |
| 4.3.1 内参矩阵几何不变性与归一化图像 |
| 4.3.2 基于三焦点张量约束的三目视觉立体标定方法研究 |
| 4.3.3 基于三目三角形法的三视图基元定位方法研究 |
| 4.4 实验结果及分析 |
| 4.4.1 立体标定仿真实验 |
| 4.4.2 真实场景图片立体标定及三维计算实验 |
| 4.5 结论 |
| 第5章 三目混合立体视觉系统目标检测技术实验及分析 |
| 5.1 概述 |
| 5.2 基于深度学习的全景视觉目标识别算法研究 |
| 5.2.1 YOLOv1算法 |
| 5.2.2 YOLOv2算法的主要改进特性 |
| 5.2.3 YOLOv3算法的主要改进特性 |
| 5.2.4 基于全景视觉的YOLOv3目标识别改进算法研究及实验 |
| 5.3 基于鉴别模型的目标跟踪改进算法研究 |
| 5.3.1 目标跟踪中的椭圆目标窗口表达模型 |
| 5.3.2 背景加权颜色直方图特征空间 |
| 5.3.3 特征鉴别方法 |
| 5.3.4 目标定位和尺度自适应计算 |
| 5.3.5 基于可比性度量的目标模型更新改进策略 |
| 5.3.6 目标跟踪实验 |
| 5.4 基于三目混合立体视觉的目标识别、跟踪与定位实验 |
| 5.4.1 系统描述 |
| 5.4.2 目标识别、跟踪、定位实验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、三维欧氏重构的快速算法（论文参考文献）
- [1]基于在机视觉测量的叶片形貌重构点云数据处理技术研究[D]. 马康盛. 哈尔滨理工大学, 2021
- [2]房间轮廓声学重构与室内声学定位关键技术研究[D]. 宋浠瑜. 桂林电子科技大学, 2020
- [3]基于视觉示教的机器人任务学习方法研究[D]. 仝勋伟. 哈尔滨工业大学, 2021(02)
- [4]三维模型变形技术研究[D]. 庞敏. 中北大学, 2020
- [5]本质属性增强及其混合约束的图像修复算法研究[D]. 杨平. 浙江工业大学, 2020
- [6]面向大数据处理的异构融合可重构数据流加速器研究[D]. 沈俊忠. 国防科技大学, 2020(01)
- [7]面向实测模型的几何特征识别与重构技术研究[D]. 田清廉. 南京航空航天大学, 2020(07)
- [8]无线内窥镜机器人多维信息感知方法[D]. 陈利民. 南昌大学, 2019(01)
- [9]基于多传感器信息融合的复合式测量系统关键技术研究[D]. 于治强. 天津大学, 2019(01)
- [10]三目混合立体视觉系统检测技术研究[D]. 翁翔宇. 哈尔滨工程大学, 2020(04)