| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 创新点摘要 | 第8-11页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 基于深度图像的三维重建研究现状 | 第12-15页 |
| 1.2.2 点云数据配准技术的研究现状 | 第15-17页 |
| 1.3 论文研究的主要内容 | 第17页 |
| 1.4 论文的安排 | 第17-19页 |
| 第二章 基于Kinect的深度图像获取与转换 | 第19-28页 |
| 2.1 引言 | 第19页 |
| 2.2 深度图像的概念 | 第19页 |
| 2.3 Kinect深度传感器 | 第19-22页 |
| 2.3.1 Kinect硬件组成结构及工作原理 | 第20-21页 |
| 2.3.2 Kinect软件支持平台 | 第21-22页 |
| 2.4 基于Kinect深度图像获取与坐标转换 | 第22-27页 |
| 2.4.1 基于Kinect深度图像获取 | 第22-23页 |
| 2.4.2 二维深度图像到三维点云的转换 | 第23-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 自适应人工萤火虫-粒子群算法 | 第28-38页 |
| 3.1 引言 | 第28页 |
| 3.2 算法的基本原理 | 第28-31页 |
| 3.2.1 人工萤火虫算法 | 第28-30页 |
| 3.2.2 标准粒子群算法 | 第30-31页 |
| 3.3 改进自适应人工萤火虫粒子群算法 | 第31-35页 |
| 3.3.1 种群初始化 | 第32页 |
| 3.3.2 基于动态分组策略的步长自适应调整 | 第32-33页 |
| 3.3.3 自适应人工萤火虫-粒子群算法的算法流程 | 第33-35页 |
| 3.4 ACGPSO算法测试 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于ICP优化算法的三维点云配准 | 第38-53页 |
| 4.1 引言 | 第38页 |
| 4.2 点云数据的配准技术 | 第38-39页 |
| 4.3 改进的迭代最近点(ICP)配准算法 | 第39-48页 |
| 4.3.1 迭代最近点(ICP)算法的原理及缺点 | 第39-42页 |
| 4.3.2 基于kd-tree近邻搜索的点云空间索引 | 第42-45页 |
| 4.3.3 基于权重的噪声点与误匹配点处理 | 第45-47页 |
| 4.3.4 基于ACGPSO算法的初始配准 | 第47-48页 |
| 4.4 点云配准结果 | 第48-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 基于深度图像的三维重建实现 | 第53-64页 |
| 5.1 引言 | 第53页 |
| 5.2 自动化设备的信息获取 | 第53-56页 |
| 5.3 点云配准 | 第56-58页 |
| 5.4 生成三维物体表面 | 第58-63页 |
| 5.4.1 贪婪投影三角化法 | 第58-59页 |
| 5.4.2 贪婪投影三角化的重建效果 | 第59-63页 |
| 5.5 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 发表文章目录 | 第70-71页 |
| 致谢 | 第71-72页 |