| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及分析 | 第10-13页 |
| 1.2.1 三维点云的邻域搜索研究现状及分析 | 第10-11页 |
| 1.2.2 点云关键点描述子的研究现状及分析 | 第11-13页 |
| 1.3 主要开展的工作 | 第13页 |
| 1.4 全文组织结构 | 第13-15页 |
| 第2章 点云的预处理和邻域搜索算法 | 第15-29页 |
| 2.1 点云获取方法 | 第15-16页 |
| 2.2 点云文件格式 | 第16-18页 |
| 2.3 滤波 | 第18页 |
| 2.4 邻域搜索 | 第18-23页 |
| 2.4.1 构建Voronoi图进行k-近邻搜索 | 第19-20页 |
| 2.4.2 构建树形索引进行k-邻域搜索算法 | 第20-22页 |
| 2.4.3 基于空间分块的k-近邻搜索算法 | 第22-23页 |
| 2.5 NARF关键点 | 第23-24页 |
| 2.6 点云特征描述与提取 | 第24-28页 |
| 2.6.1 三维形状内容描述子 | 第25-26页 |
| 2.6.2 旋转图像描述子 | 第26页 |
| 2.6.3 PFH描述子 | 第26-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第3章 搜索点的k邻域集 | 第29-39页 |
| 3.1 相关概念 | 第29-31页 |
| 3.2 剔除无效点 | 第31-32页 |
| 3.3 数据结构 | 第32-33页 |
| 3.4 K-近邻搜索程序流程 | 第33-38页 |
| 3.4.1 计算点云表面上一点的法线 | 第33-34页 |
| 3.4.2 自适应算法得到搜索窗边长 | 第34-35页 |
| 3.4.3 基于具有自适应参数移动搜索窗的近邻搜索算法 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于角度特征的特征描述子 | 第39-46页 |
| 4.1 相关概念 | 第40页 |
| 4.2 提取离散法线波动关键点 | 第40-41页 |
| 4.3 提取法线波动关键点描述子 | 第41页 |
| 4.4 数据结构 | 第41-42页 |
| 4.5 提取法线波动关键点描述子程序流程 | 第42-45页 |
| 4.5.1 提取法线波动关键点 | 第42页 |
| 4.5.2 提取法线波动关键点描述子 | 第42-43页 |
| 4.5.3 提取法线波动关键点描述子算法 | 第43-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第5章 实验结果及分析 | 第46-53页 |
| 5.1 实验环境配置 | 第46页 |
| 5.2 实验数据集 | 第46-48页 |
| 5.3 k-邻域集查询算法实验运行结果 | 第48-49页 |
| 5.4 法线波动关键点描述子提取算法实验运行结果 | 第49-52页 |
| 5.5 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第58-59页 |
| 致谢 | 第59-60页 |
| 作者简介 | 第60页 |