摘要 | 第6-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第15-19页 |
1.1 课题研究背景和意义 | 第15-16页 |
1.2 国内外研究现状和发展趋势 | 第16-17页 |
1.3 本文主要内容和结构安排 | 第17-18页 |
1.3.1 论文主要研究内容 | 第17页 |
1.3.2 论文结构安排 | 第17-18页 |
1.4 本章小结 | 第18-19页 |
第2章 三维重构的相关技术综述 | 第19-33页 |
2.1 特征提取和匹配 | 第19-22页 |
2.1.1 SIFT算法 | 第19-21页 |
2.1.2 特征匹配算法 | 第21-22页 |
2.2 Structure from motion | 第22-24页 |
2.2.1 相机模型 | 第22-24页 |
2.2.2 Bundler自标定算法 | 第24页 |
2.3 捆绑调整算法 | 第24-27页 |
2.3.1 稀疏捆绑调整算法(SBA) | 第25-26页 |
2.3.2 预处理共轭梯度调整法(PCG) | 第26-27页 |
2.4 分层重构方法 | 第27-28页 |
2.5 PMVS技术 | 第28-29页 |
2.6 Kinect传感器及工作原理 | 第29-30页 |
2.7 GPU及其通用计算架构CUDA | 第30-31页 |
2.8 本章小结 | 第31-33页 |
第3章 基于RGB相机的三维重构技术研究及优化 | 第33-57页 |
3.1 问题背景 | 第33页 |
3.2 问题分析 | 第33-34页 |
3.3 影像数据预处理 | 第34页 |
3.4 基于CUDA的并行SIFT算法优化 | 第34-40页 |
3.4.1 建立高斯尺度空间 | 第36-37页 |
3.4.2 极值检测和关键点定位 | 第37-38页 |
3.4.3 关键点描述符生成 | 第38-39页 |
3.4.4 并行SIFT算法的具体实现 | 第39-40页 |
3.5 基于CUDA的并行特征匹配算法优化 | 第40-44页 |
3.5.1 基于GPU加速KD树搜索 | 第41页 |
3.5.2 结合缓存密钥并行化特征匹配算法 | 第41-42页 |
3.5.3 基于几何关系过滤匹配信息 | 第42-43页 |
3.5.4 频繁数据拷贝造成计算延迟问题的解决方法 | 第43-44页 |
3.6 大场景下构建稠密三维点云过程中遇到的问题及改进方法 | 第44-47页 |
3.6.1 基于GPU的并行捆绑调整算法 | 第45-46页 |
3.6.2 采用PMVS技术构建稠密三维点云 | 第46-47页 |
3.7 基于泊松方程对点云数据进行表面重建 | 第47-51页 |
3.7.1 泊松表面重建算法(PSR) | 第47-48页 |
3.7.2 基于CUDA的泊松表面重建算法并行优化 | 第48-51页 |
3.8 实验与分析 | 第51-55页 |
3.9 本章小结 | 第55-57页 |
第4章 基于Kinect传感器的建模方法再优化 | 第57-67页 |
4.1 问题背景 | 第57页 |
4.2 问题分析 | 第57-58页 |
4.3 整体算法概述 | 第58-59页 |
4.4 具体优化策略 | 第59-63页 |
4.4.1 选择感兴趣区域 | 第59-60页 |
4.4.2 ROI中的计算方法 | 第60-61页 |
4.4.3 ICP对齐方法的优化 | 第61-62页 |
4.4.4 穿越区域分析 | 第62-63页 |
4.5 实验与分析 | 第63-65页 |
4.6 本章小结 | 第65-67页 |
第5章 分布式三维重构系统的设计与实现 | 第67-77页 |
5.1 分布式三维重构系统概括 | 第67-68页 |
5.2 三维重构并行化的整体计算结构设计 | 第68-69页 |
5.3 分布式三维重构的系统实现 | 第69-71页 |
5.3.1 主控制器 | 第69-70页 |
5.3.2 计算节点 | 第70页 |
5.3.3 任务分配方式 | 第70-71页 |
5.4 系统性能测试 | 第71-74页 |
5.5 系统设计中存在的问题及改进方案 | 第74-75页 |
5.6 本章小结 | 第75-77页 |
总结与展望 | 第77-79页 |
参考文献 | 第79-83页 |
攻读硕士学位期间发表的学术成果 | 第83-85页 |
致谢 | 第85-87页 |
附录 | 第87-88页 |
详细摘要 | 第88-93页 |