论文部分内容阅读
随着计算机视觉领域的不断发展,机器感知自然世界的手段也从传统的二维成像发展到三维成像。激光成像技术的三维点云目标识别在军事侦查、无人驾驶以及机器人等领域中有着巨大的应用以及发展前景,而基于三维点云数据的目标识别、跟踪以及检测这三种方法已经成为计算机视觉应用领域的研究热点。本文以激光成像技术的三维激光点云目标识别为研究背景,通过对卷积神经网络的结构设计以及改进,网络结构参数的调整以及优化等,展开了针对三维点云目标识别领域的研究。本文主要研究工作如下:1.首先介绍了针对激光成像技术中的三维点云目标识别的研究背景以及意义、并对目前三维点云目标识别以及卷积神经网络的研究现状、原理以及发展趋势进行了详细的综述。2.通过对三维目标识别进行理论上的详细介绍,从最开始人工设计三维特征的传统的方法,到后面由于数据的大量增多,传统的方法已经无法继续适合发展的需要,从而深度学习的方法便开始成为目前解决三维目标识别的重要手段,到最后介绍了三维点云目标识别的一些开创性工作。3.基于卷积神经网络模型结构理论,本文提出了三种不同的改进型网络结构模型,并通过丰富卷积层提取特征的多样性来更好的实现三维点云目标识别。基于多分辨率特征融合卷积神经网络通过改变点云相互之间的距离,分成四个输入进入网络并进行信息融合;基于多层级特征融合卷积神经网络是通过提取不同层级间的特征进行信息融合;基于多尺度特征融合卷积神经网络,本文设计出两种方法来改变特征的尺度信息,并将四个单一尺度模块进行信息融合。这三种网络模型通过实验证明了其适用性以及优越性。4.之后本文对实验数据做了详细的介绍,而后针对网络参数对网络识别精度的影响,通过引入激活函数,自适应学习率等方法来提升卷积神经网络的收敛效率,并使用Dropout方法来防止网络的过拟合,之后利用改进后的三种网络模型对三维点云数据进行了目标识别实验。5.最后本文对整个论文的研究工作进行了总结,同时分析了整个研究中还存在的一些问题,提出了下一步工作的研究方向。