| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 1 绪论 | 第9-14页 |
| ·引言 | 第9页 |
| ·研究目标及背景 | 第9-11页 |
| ·本文算法 | 第11-12页 |
| ·本文的基于特征的点云简化算法 | 第11-12页 |
| ·本文的基于简化点云的并行配准算法 | 第12页 |
| ·本论文结构 | 第12-14页 |
| 2 相关背景理论 | 第14-26页 |
| ·kd-tree 相关理论 | 第14-19页 |
| ·kd-tree 理论 | 第14-15页 |
| ·kd-tree 构建过程 | 第15-16页 |
| ·kd-tree 查找最近点过程 | 第16-18页 |
| ·kd-tree 邻域搜索效率分析 | 第18-19页 |
| ·二维 SIFT 算法 | 第19-22页 |
| ·构建图像金字塔 | 第20页 |
| ·检测高斯差分尺度空间极值 | 第20-21页 |
| ·二维耳廓的 SIFT 特征点提取和匹配 | 第21-22页 |
| ·ICP 配准算法 | 第22-23页 |
| ·ICP 算法推导过程 | 第22-23页 |
| ·ICP 配准实验 | 第23页 |
| ·求解三维点云高斯曲率 | 第23-24页 |
| ·确定采样点法向量 | 第23-24页 |
| ·最小二乘法求解曲率 | 第24页 |
| ·本章小结 | 第24-26页 |
| 3 基于特征的点云简化 | 第26-31页 |
| ·三维 SIFT 特征点提取 | 第26-28页 |
| ·三维 SIFT 特征点提取算法 | 第26-27页 |
| ·三维 SIFT 特征点提取效果 | 第27-28页 |
| ·利用 kd-tree 进行点云简化 | 第28-30页 |
| ·利用 kd-tree 进行点云简化过程 | 第28-29页 |
| ·利用 kd-tree 进行点云简化过程 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 4 基于简化耳廓点云的 EM-ICP 并行配准算法 | 第31-37页 |
| ·EM-ICP 配准算法理论 | 第31-32页 |
| ·EM-ICP 算法推导 | 第31页 |
| ·EM-ICP 算法描述 | 第31-32页 |
| ·基于 CUDA 的 EM-ICP 并行加速 | 第32-34页 |
| ·EM-ICP 算法并行描述 | 第32-34页 |
| ·基于简化点云的 EM-ICP 配准结果 | 第34-36页 |
| ·基于简化点云的 EM-ICP 配准效果 | 第34-35页 |
| ·基于 CUDA 的 EM-ICP 算法并行加速 | 第35-36页 |
| ·基于简化点云的 EM-ICP 算法配准精度分析 | 第36页 |
| ·本章小结 | 第36-37页 |
| 5 基于简化耳廓点云的 Softassign 配准算法 | 第37-43页 |
| ·Softassign 配准算法理论 | 第37-38页 |
| ·Softassign 配准算法推导 | 第37页 |
| ·Softassign 配准算法描述 | 第37-38页 |
| ·基于 CUDA 的 Softassign 算法并行加速 | 第38-39页 |
| ·Softassign 算法并行描述 | 第38-39页 |
| ·基于简化点云的 Softassign 算法配准结果 | 第39-41页 |
| ·基于简化点云的 Softassign 算法配准结果 | 第39-40页 |
| ·基于 CUDA 的 Softassign 算法并行加速 | 第40-41页 |
| ·基于简化点云的 Softassign 算法配准精度分析 | 第41页 |
| ·本章小结 | 第41-43页 |
| 6 总结与展望 | 第43-44页 |
| ·本文工作总结 | 第43页 |
| ·后续研究与展望 | 第43-44页 |
| 参考文献 | 第44-46页 |
| 攻读硕士学位期间发表学术论文情况 | 第46-47页 |
| 致谢 | 第47页 |
