基于RGB-D数据的点云配准

摘要

点云数据是表征物体表面信息（如位置信息、颜色信息等）的离散点集，其获取方式依赖于三维扫描设备（如Kinect）。点云配准是将不同视角下采集的点云数据统一到同一个坐标系下的过程，最终目的是获取物体表面完整的点云描述。它是自动化三维重建不可缺少的一环，更是虚拟现实技术的基础。同时，点云配准技术在人机交互、机器人领域、逆向工程等领域也有着广泛的应用。点云配准大致可以分为粗配准和精确配准两个步骤，本文分别对这两个步骤进行了研究和实验，并提出了一种高精度的、快速收敛的联合点云配准策略。本文的主要内容如下：
　　在数据的滤波与目标提取的问题上，本文通过对多种滤波算法进行对比实验，指出多帧均值滤波是一种适合 Kinect深度图像（深度数据与点云数据可以相互转换）的滤波算法。同时，基于阈值分割和 RANSAC算法提出了一种基于 Kinect最佳视距的目标点云提取策略。
　　对于精确配准，本文通过实验分析了 ICP算法的局限性，并指出初始位姿的旋转偏移量是影响ICP算法精度最重要的因素。同时通过Kd-tree近邻搜索和基于体素化网格的下采样策略对ICP算法进行了加速。
　　在粗配准方面，本文首先综合考虑关键点所在邻域的空间位置特征和颜色特征，提出一种适合XYZRGB型点云数据的彩色关键点描述子。然后，结合RANSAC算法提出了联合粗配准算法，兼顾了粗配准的准确性和效率。
　　最后，本文综合以上研究，提出了一个较为完整的点云联合配准策略，包括了点云的采集与预处理、粗配准和精确配准。并通过实验，验证了该策略在不同场景下的可行性。

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 论文结构

第二章 点云数据采集与可视化

2.1 PCL点云库与点云数据

2.2 点云数据的获取方法与途径

2.3 Kinect深度测距原理及其误差来源分析

2.4 本章小结

第三章 实验数据预处理

3.1深度图像滤波及相关滤波算法

3.2结合深度数据的目标提取

3.3本章小结

第四章 点云配准算法分析与改进

4.1迭代最近点（ICP）算法

4.2关键点提取与特征描述

4.3点云粗配准算法

4.4联合配准策略与实验结果

4.5本章小结

第五章 总结与展望

5.1论文工作总结

5.2缺陷与展望

参考文献

致谢