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