基于RGB-D的三维点云重建算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 选题背景与意义 | 第9-10页 |
| 1.2 典型应用 | 第10-12页 |
| 1.2.1 3D虚拟试衣 | 第10页 |
| 1.2.2 体感测量与游戏产业 | 第10-11页 |
| 1.2.3 文物保护 | 第11-12页 |
| 1.2.4 医学模拟训练 | 第12页 |
| 1.3 研究现状 | 第12-16页 |
| 1.4 课题研究内容和章节安排 | 第16-17页 |
| 1.4.1 研究内容 | 第16页 |
| 1.4.2 章节安排 | 第16-17页 |
| 第2章 基于RGB-D的数据采集框架研究 | 第17-24页 |
| 2.1 Kinect技术简介 | 第17-20页 |
| 2.1.1 Kinect简介 | 第17-18页 |
| 2.1.2 数据获取原理 | 第18-20页 |
| 2.1.3 Kinect局限性 | 第20页 |
| 2.2 OpenCV库简介 | 第20-21页 |
| 2.3 OpenNI开源框架 | 第21-22页 |
| 2.4 PCL简介 | 第22-23页 |
| 2.4.1 PCL产生背景 | 第22页 |
| 2.4.2 PCL框架结构 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于RGB-D的深度数据修复研究 | 第24-33页 |
| 3.1 传统的深度数据修复算法 | 第24-26页 |
| 3.1.1 中值滤波 | 第24-25页 |
| 3.1.2 双边滤波 | 第25页 |
| 3.1.3 联合双边滤波 | 第25-26页 |
| 3.2 本文改进的深度数据修复算法 | 第26-28页 |
| 3.3 算法验证与分析 | 第28-32页 |
| 3.3.1 标准数据库的深度数据修复实验与分析 | 第28-31页 |
| 3.3.2 自采集据库的深度数据修复实验与分析 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于RGB-D数据的点云配准研究 | 第33-47页 |
| 4.1 点云精简 | 第33-36页 |
| 4.1.1 均匀采样法分析 | 第33-34页 |
| 4.1.2 体素化采样分析 | 第34-36页 |
| 4.2 点云特征点检测 | 第36-42页 |
| 4.2.1 SIFT算法原理分析 | 第36-39页 |
| 4.2.2 SURF算法原理分析 | 第39-42页 |
| 4.3 关键点检测算法验证与分析 | 第42-43页 |
| 4.4 ICP配准 | 第43-46页 |
| 4.4.1 RANSAC算法原理分析 | 第43页 |
| 4.4.2 ICP算法原理分析 | 第43-44页 |
| 4.4.3 实验验证与分析 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 基于RGB-D数据的室内场景重建应用研究 | 第47-57页 |
| 5.1 室内场景点云采集 | 第47-49页 |
| 5.2 室内点云重建 | 第49-56页 |
| 5.2.1 特征点检测 | 第49-50页 |
| 5.2.2 错误配准关系剔除 | 第50-51页 |
| 5.2.3 室内场景重建实验结果 | 第51-55页 |
| 5.2.4 室内场景重建结果分析 | 第55-56页 |
| 5.3 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 在校期间的研究成果情况说明 | 第64-65页 |
| 致谢 | 第65-66页 |
