| 中文摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 点云数据 | 第9-12页 |
| 1.1.1 点云数据的获取 | 第9-10页 |
| 1.1.2 点云数据的应用 | 第10-12页 |
| 1.2 三维点云数据数据配准 | 第12-15页 |
| 1.2.1 引言 | 第12页 |
| 1.2.2 三维点云配准的研究现状 | 第12-15页 |
| 1.3 主要工作及文章结构安排 | 第15-17页 |
| 第二章 基于点签名的三维点云特征点提取 | 第17-35页 |
| 2.1 点云数据的 k 邻近搜索 | 第18-22页 |
| 2.1.1 二次空间栅格划分方法 | 第19-21页 |
| 2.1.2 栅格内 k 邻域搜索 | 第21-22页 |
| 2.2 曲率估算 | 第22-25页 |
| 2.3 基于点签名的三维点云特征点提取 | 第25-27页 |
| 2.4 基于正态分布的阈值设定 | 第27-28页 |
| 2.5 基于方向投影的极值特征点筛选 | 第28-29页 |
| 2.6 实验提取结果及抗噪性分析 | 第29-34页 |
| 2.6.1 实验提取效果 | 第30-31页 |
| 2.6.2 特征提取抗噪性分析 | 第31-34页 |
| 2.7 本章小结 | 第34-35页 |
| 第三章 点云模型之间的匹配点筛选 | 第35-46页 |
| 3.1 曲率相似度约束 | 第36-38页 |
| 3.2 基于 Hausdorff 距离的匹配点对筛选 | 第38-40页 |
| 3.2.1 原始 Hausdorff 距离 | 第38-39页 |
| 3.2.2 基于曲率范数的 Hausdorff 距离 | 第39-40页 |
| 3.3 基于欧氏距离的 Greedy Bound 算法 | 第40-42页 |
| 3.3.1 源点集与目标点集之间的误差评价函数 | 第40-41页 |
| 3.3.2 Greedy bound 算法 | 第41-42页 |
| 3.4 实验验证 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 点云数据的配准及 ICP 算法 | 第46-62页 |
| 4.1 刚性数学解算模型 | 第46-49页 |
| 4.1.1 四元素法数学解算模型 | 第46-48页 |
| 4.1.2 奇异值分解法数学解算模型 | 第48-49页 |
| 4.2 源点集与目标点集之间的初始匹配 | 第49-53页 |
| 4.2.1 传统初始配准方法 | 第49-50页 |
| 4.2.2 本文初始配准方法 | 第50-53页 |
| 4.3 原始迭代点算法（ICP）及其改进算法 | 第53-55页 |
| 4.3.1 原始 ICP 迭代最近点算法 | 第54页 |
| 4.3.2 改进的 ICP 迭代方法 | 第54-55页 |
| 4.4 实验结果对比与分析 | 第55-60页 |
| 4.4.1 实验结果对比 | 第55-60页 |
| 4.4.2 实验结果分析 | 第60页 |
| 4.5 本章小结 | 第60-62页 |
| 第五章 全文工作总结与展望 | 第62-64页 |
| 5.1 全文工作总结 | 第62-63页 |
| 5.2 将来工作 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 发表论文和科研情况说明 | 第68-69页 |
| 致谢 | 第69页 |
