1. 研究目的与意义
随着计算机视觉技术的发展，数字图像配准技术已成为研究热点之一。图像配准的目的是将不同传感器、不同视角或者不同时间及不同拍摄条件下得到的两幅或多幅图像在空间上对齐,而且这两幅或多幅图像都是同一场景中的图像。后续图像处理工作的好坏直接依赖于图像配准的效果,所以说图像配准是数字图像处理中一个非常关键的环节。目前在图像处理领域,已经提出了很多种图像配准的算法,比如传统的迭代最近点（Iterative Closest Point，ICP）算法，但这个算法相对复杂、匹配耗时较长且无法做到实时匹配很难满足工程上实时计算要求。本课题计划采用基于Kinect的改进型ICP算法。首先，利用Kinect红外摄像头采集深度信息并对物体进行三维重建，采用滤波技术对深度图像进行保边平滑处理。然后，计划选用实时点云采集技术，生成PCD信息。最后，使用kdtree和奇异值分解算法（Singular Value Decomposition, SVD）算法改进ICP算法，提高ICP算法的匹配速度、精准度以及抗干扰能力。可以改善原算法数据量大、实时性差等缺点，可以简单、方便地解决传统三维配准技术的一些问题。
2. 研究内容和问题
传统的迭代最近点（Iterative Closest Point，ICP）算法相对复杂、匹配耗时较长且无法做到实时匹配很难满足工程上实时计算要求。本课题计划采用基于Kinect的改进型ICP算法。可以改善原算法数据量大、实时性差等缺点，可以简单、方便地解决传统三维配准技术的一些问题。该方法理论上适用于任何场景，为三维配准技术提供了更为精确的数据。
3. 设计方案和技术路线
研究方法：
1、为了构建配准方法，先在一个用于图像识别研究的大型开放式图像数据库上进行预训练，预训练的目的在于减少训练所需的数据量，通过几百张经过标记的训练图片，该算法可以达到人类标记的准确水平。
2、使用传统二维ICP方法进行改进，选取参考点集和目标点集，遍历目标点集中所有的点，在参考点集中选择欧氏距离最小的一个点，建立目标函数，对目标函数进行优化求解，得到目标点集的旋转矩阵Ｒj和平移矩阵Tj，进而得到新的目标点集，判断是否达到了最大迭代次数或者误差条件，是则停止迭代，输出最终的结果，否则转到第一步，继续迭代。
4. 研究的条件和基础
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
