基于CUDA的简化耳廓点云配准算法研究

摘要

人体测量学理论指出人耳外形（耳廓）具有唯一性和稳定性，可用于生物信息特征识别。随着近年来基于激光扫描的三维数据获取技术和数字几何处理基础理论的成熟，三维耳廓的扫描点云数据配准及其形状特征提取匹配等关键技术的研究已经成为国际生物信息识别领域的热点之一。
　　在使用三维激光扫描仪获取耳廓点云数据的过程中，由于角度的限制，每次扫描只能获得部分耳廓表面点云数据，需要在多个角度进行多次扫描，并对多次扫描数据进行配准融合，才能得到完整的、单一的三维耳廓点云数据，配准算法的时间复杂度和配准精度成为决定耳廓点云数据精确性的关键。同时，随着点云数据规模的扩大和配准精度要求的提高，传统的串行配准算法计算效率显然不能满足实时性的要求。
　　本文首先基于离散曲率估计和三维SIFT算法提取三维耳廓扫描数据的特征点，然后利用kd-tree对非特征点进行简化，从而获得保留几何特征的简化耳廓点云;然后基于CUDA对EM-ICP和Softassign算法进行了并行加速。本文算法在简化过程中充分考虑了几何特征，从而避免了局部配准等缺陷，同时并行EM-ICP和Softassign算法保证了配准工作的高效性。

目录

声明

论文说明

摘要

1 绪论

1．1 引言

1．2 研究目标及背景

1．3 本文算法

1．3．1 本文的基于特征的点云简化算法

1．3．2 本文的基于简化点云的并行配准算法

1．4 本论文结构

2 相关背景理论

2．1 kd-tree相关理论

2．1．1 kd-tree理论

2．1．2 kd-tree构建过程

2．1．3 kd-tree查找最近点过程

2．1．4 kd-tree邻域搜索效率分析

2．2 二维SIFT算法

2．2．1 构建图像金字塔

2．2．2 检测高斯差分尺度空间极值

2．2．3 二维耳廓的SIFT特征点提取和匹配

2．3 ICP配准算法

2．3．1 ICP算法推导过程

2．3．2 ICP配准实验

2．4 求解三维点云高斯曲率

2．4．1 确定采样点法向量

2．4．2 最小二乘法求解曲率

2．5 本章小结

3 基于特征的点云简化

3．1 三维SIFT特征点提取

3．1．1 三维SIFT特征点提取算法

3．1．2 三维SIFT特征点提取效果

3．2 利用kd-tree进行点云简化

3．2．1 利用kd-tree进行点云简化过程

3．2．2 利用kd-tree进行点云简化过程

3．3 本章小结

4 基于简化耳廓点云的EM-ICP并行配准算法

4．1 EM-ICP配准算法理论

4．1．1 EM-ICP算法推导

4．1．2 EM-ICP算法描述

4．2 基于CUDA的EM-ICP并行加速

4．2．1 EM-ICP算法并行描述

4．3 基于简化点云的EM-ICP配准结果

4．3．1 基于简化点云的EM-ICP配准效果

4．3．2 基于CUDA的EM-ICP算法并行加速

4．3．3 基于简化点云的EM-ICP算法配准精度分析

4．4 本章小结

5 基于简化耳廓点云的Softassign配准算法

5．1 Softassign配准算法理论

5．1．1 Softassign配准算法推导

5．1．2 Softassign配准算法描述

5．2 基于CUDA的Softassign算法并行加速

5．2．1 Softassign算法并行描述

5．3 基于简化点云的Softassign算法配准结果

5．3．1 基于简化点云的Softassign算法配准结果

5．3．2 基于CUDA的Softassign算法并行加速

5．3．3 基于简化点云的Softassign算法配准精度分析

5．4 本章小结

6 总结与展望

6．1 本文工作总结

6．2 后续研究与展望

参考文献

攻读硕士学位期间发表学术论文情况

致谢