-15 -10 -5 0 5 10 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -15 -10 -5 0 5 10 -5 0 5 0 5 10 15 20 25
Hình 7-5: Mơ hình Double-Torus2 nhi宇w"8逢嬰c thêm vào
7.1.1 Tìm tham s嘘 k
B違ng ki吋o"vtc"rjfir"8q"n厩i."vjgq"rj逢挨pi"rjƒr"v pj kho違ng cách t瑛8k吋o"8院n m員t ph鰯ng cho t壱p d英 li羽u Double-Torus2 không l厩i (d英 li羽u g嘘c), 8吋 ch丑n tham s嘘 k hàng xóm trong tìm m員t ph鰯ng c栄a gi違i thu壱t RANSAC.
K-NN MIN AVG MAX
5 Null Null Null
6 0 0.0159 0.5625 7 0 0.0130 0.5156 8 0 0.0234 0.5156 9 0 0.0305 0.5156 10 0 0.0225 0.7344 11 0 0.0168 0.7344 12 0 0.0101 0.7344 13 0 0.0132 0.7344 14 0 0.0137 0.7344 15 0 0.0114 0.7344 B違ng 7-1: B違ng s嘘 li羽u ch丑n tham s嘘 k.
Theo k院t qu違 th詠c nghi羽m n院u tham s嘘 k <= 5 thì khơng th吋v·o"8逢嬰c m員t ph鰯ng. Theo tr詠c quan, Double-Torus2 ch雨 g欝m các m員t ph鰯ng nên giá tr鵜 trung bình kho違ng cách t穎
eƒe"8k吋o"8院n m員t ph鰯ng càng th医p thì càng phù h嬰p. Nên tham s嘘 K = 12 hàng xóm v噂i trung bình 0.0101, 8逢嬰c ch丑n trong gi違i tu壱t RANSAC.
7.1.2 Áp d映ng thu壱t toán MLS cho d英 li羽u DOUBLE-TORUS2
Thu壱t toán MLS 8嘘i v噂i t壱p d英 li羽u Double-Torus2, tham s嘘 k = 12. B違ng s嘘 li羽u MIN, AVG, MAX cho t壱p d英 li羽u Double-Torus2 không nhi宇u, Double-Torus2 nhi宇u." 8«" 8逢嬰c kh穎 nhi宇u và s詠 khác bi羽t kho違ng cách gi英a chúng v噂i nhau.
Bán kính Double-Torus2 MIN AVG MAX
0.8
Không nhi宇u 0 0.0102 0.7344
Nhi宇u 0 0.0372 0.7344
Kh穎 nhi宇u 0 NaN NaN
1
Không nhi宇u 0 0.0105 0.7344
Nhi宇u 0 0.0373 0.7344
Kh穎 nhi宇u 0 NaN NaN
1.5 Không nhi宇u 0 0.0112 0.7344 Nhi宇u 0 0.0378 0.7344 Kh穎 nhi宇u 0 0.0717 0.6113 2 Không nhi宇u 0 0.0109 0.7344 Nhi宇u 0 0.0374 0.7344 Kh穎 nhi宇u 3.1503e-05 0.1028 0.6481 2.5 Không nhi宇u 0 0.0100 0.7344 Nhi宇u 0 0.0371 0.7344 Kh穎 nhi宇u 1.0533e-04 0.1728 1.2722 3 Không nhi宇u 0 0.0105 0.7344 Nhi宇u 0 0.0375 0.7344 Kh穎 nhi宇u 6.0126e-06 0.4314 1.8829 B違ng 7-2: B違ng s嘘 li羽u Double-Torus2, MLS.
Theo s嘘 li羽u b違ng trên, giá tr鵜 ÐPcPÑ"(Not-a-Number) xu医t hi羽n khi bán kính tìm ki院m là 0.8 và 1 trong khi các giá tr鵜 mjƒe"8隠w"v pj"8逢嬰c giá tr鵜 MIN, AVG, MAX. Nguyên
nhân là do ph衣m vi tìm ki院o"eƒe"j pi"z„o"zwpi"swcpj"ejq"8k吋m truy v医p"ej逢c"8逢嬰c 8員t giá tr鵜 phù h嬰p nên giá tr鵜 t衣k"8k吋o"8„"mj»pi"8逢嬰e"zƒe"8鵜nh sau khi ch衣y thu壱t tốn MLS.
Khi bán kính tìm ki院o"v<pi"f亥n giá tr鵜 ÐPcPĐ"mj»pi"e”p"p英c"pj逢pi"ikƒ"vt鵜 trung bình kho違ng cách t瑛 8k吋o"8院n m員t ph鰯ng c栄a t壱r"8k吋m e pi"v<pi"f亥n theo. T瑛 8„"e„"pj壱n xét là không nên ch丑n ph衣m vi tìm hàng xóm xung quanh không nên quá th医r"e pi" không nên quá cao, phù h嬰p nh医t là nên v瑛c"8栄8吋 l噂p"j挨p"ikƒ"vt鵜dk‒p"f逢噂i. Vi羽c ch丑n giá tr鵜 thích h嬰p cho bán kính tìm ki院m trong gi違i thu壱v"ONU"8吋 cho k院t qu違 l丑c nhi宇u t嘘t thì nên n茨m trong mi隠n t瑛307"8院n 2 vtqpi"vt逢運ng h嬰p trên.
Fk"8Ơ{"n "ee"jÃpj"nh v隠 8o"{"8km c栄a Double-Vqtwu4"ucw"mjk"8«"8逢嬰c làm m鵜n b荏i gi違i thu壱t MLS.
Hình 7-8: Radius = 1.5, th運i gian 2049ms Hình 7-9: Radius = 2, th運i gian 1839ms
Hình 7-10: Radius = 2.5, th運i gian 2555ms Hình 7-11: Radius = 3, th運i gian 3266ms T瑛 các hình 違nh v隠8o"{"8ko"ucw"mjk"8ơ"8c kh穎 nhi宇u b茨ng thu壱t tốn MLS, có nh壱n xét là v噂i bán kính tìm các hàng xóm xung quanh có giá tr鵜 v<pi"v瑛 20:"8院n 3 thì giá tr鵜e pi"ecq"vj·"n o"ejq"8員c tính góc và c衣nh c栄a Double-Torus2 tr荏 p‒p"vt”p"j挨p0"
7.1.3 Áp d映ng thu壱t toán MSL và Non-Local cho d英 li羽u Double-Torus2.
Ph亥p"d‒p"f逢噂i trình bày m瓜t s嘘 trình t詠 trong th詠e"vjk"ej逢挨pi"vt·pj"vj詠c nghi羽m trên 8o"{"8km Double-Torus2: 姶噂e"n逢嬰pi"pqtocn"xgevqt"n "3"d逢噂c quan tr丑pi"8吋 tìm m員t ph鰯pi"swc"8k吋m bi院t normal vector c栄a nó. N院u vi羽e"逢噂e"n逢嬰ng t嘘t thì k院t qu違 tính tốn m噂i t嘘t; Ki吋m tra k院t qu違 c栄a thu壱t toán v噂i các giá tr鵜 MIN, AVG, MAX; hi吋n th鵜 k院t qu違 tr詠c quan. Ngoài ra, các tham s嘘8逢嬰e"f́pi"pj逢<"dƒp"m pj"8隠 c壱r"8院n ph衣m vi hàng xóm, bi院n tolerance, bi院n góc c栄c"pqtocn"xgevqt"n "eƒe"pi逢叡ng v隠 kho違ng cách và s詠 khác bi羽t góc gi英c"4"pqtocn"xgevqt"8逢嬰e"f́pi"8吋 gom c映o"eƒe"8k吋m l衣i v噂i nhau.
1) ⇒ずe"n⇔ぢng normal vector
Hình 7-14: Bán kính tìm normal vector 1.5 Hình 7-15: Bán kính tìm normal vector 2
2) Kiあm tra nhのpi"8kあm thuじe"x́pi"e„"8ｐc tinh. V噂i bán kính tìm ki院m radius = 2:
Hình 7-18: tolerance 1 eps_angle 30 Hình 7-19: tolerance 2 eps_angle 30
T瑛 Hình 7-38"8院n Hình 7-19 v噂i các tham s嘘8亥u vào khác nhau s胤vjw"8逢嬰e"eƒe"8k吋m thu瓜e"x́pi"e„"8員c tính khác nhau. V噂i tham s嘘 vqngtcpeg"e pi"ecq"vj·"eƒe"8k吋m thu瓜c x́pi"e„"8員c tính càng cao.
3) Zfiv"vt⇔ぜng hぢp bán kính = 1.5, tolerance 0.7, eps_angle 300, sぐ cつm 4, hàng xóm 6.
Hình 7-20: bán kính 1.5, tolerance 0.7.
‚ BＶng sぐ liうu bán kính 1.5, tolerance = 0.7, góc normal là 300, sぐ cつm 3, hàng xóm 4.
- B違ng s嘘 li羽u tồn b瓜8o"{"8km Double-Torus2.
Tham s嘘 h Double-Torus2 MIN AVG MAX
2 Không nhi宇u 0 0.0104 0.7344 Nhi宇u 0 0.0370 0.7344 Kh穎 nhi宇u 0 0.0895 0.6522 3 Không nhi宇u 0 0.0112 0.7344 Nhi宇u 0 0.0380 0.7344 Kh穎 nhi宇u 0 0.0931 0.6522 5 Không nhi宇u 0 0.0095 0.7344 Nhi宇u 0 0.0365 0.7344 Kh穎 nhi宇u 0 0.0908 0.6522 10 Không nhi宇u 0 0.0114 0.7344 Nhi宇u 0 0.0380 0.7344 Kh穎 nhi宇u 0 0.0930 0.6522 B違ng 7-3: B違ng s嘘 li羽u Double-Torus2, MLS và Non-Local, bán kính 1.5.
- B違ng s嘘 li羽u nh英ng 8k吋m thu瓜e"x́pi"e„"8員c tính c栄a Double-Torus2.
Tham s嘘 h Double-Torus2 MIN AVG MAX
2 Không nhi宇u 0 0.0062 0.4375 Nhi宇u 0 0.0306 0.5336 Kh穎 nhi宇u 5.0278e-05 0.1286 0.4884 3 Không nhi宇u 0 0.0061 0.4375 Nhi宇u 0 0.0298 0.5336 Kh穎 nhi宇u 7.4820e-06 0.1365 0.5550 5 Không nhi宇u 0 0.0056 0.4375 Nhi宇u 0 0.0304 0.5336 Kh穎 nhi宇u 4.8858e-06 0.1337 0.5985 10 Không nhi宇u 0 0.0059 0.4375 Nhi宇u 0 0.0302 0.5336 Kh穎 nhi宇u 6.9797e-07 0.1362 0.5428
B違ng 7-4: B違ng s嘘 li羽u nh英pi"8k吋m thu瓜e"x́pi"8員c tính Double-Torus2, MLS và Non- Local, bán kính 1.5
Hình 7-22: h = 3, bán kính 1.5.
Hình 7-23: h = 5, bán kính 1.5.
Hình 7-24: h = 10, bán kính 1.5.
4) Vt⇔ぜng hぢp bán kính tìm kiｘm hàng xóm 2, tolerance = 0.7, góc normal là 300, sぐ cつm 3, sぐ hàng xóm 4
Hình 7-25: bán kính 2, tolerance 0.7
‚ B違ng s嘘 li羽u bán kính 2, tolerance = 0.7, góc normal là 300, s嘘 c映m 3, s嘘 hàng xóm 4.
- B違ng s嘘 li羽u tồn b瓜8o"{"8km Double-Torus2.
Tham s嘘 h Double-Torus2 MIN AVG MAX
2 Không nhi宇u 0 0.0108 0.7344 Nhi宇u 0 0.0375 0.7344 Kh穎 nhi宇u 8.3447e-07 0.1448 0.8837 3 Không nhi宇u 0 0.0105 0.7344 Nhi宇u 0 0.0373 0.7344 Kh穎 nhi宇u 0 0.1466 0.7735 5 Không nhi宇u 0 0.0103 0.7344 Nhi宇u 0 0.0372 0.7344 Kh穎 nhi宇u 6.9797e-07 0.1472 0.8014 10 Không nhi宇u 0 0.0106 0.7344 Nhi宇u 0 0.0373 0.7344 Kh穎 nhi宇u 6.9797e-07 0.1489 0.7997 B違ng 7-5: B違ng s嘘 li羽u Double-Torus2, MLS và Non-Local, bán kính 2.
- B違ng s嘘 li羽u nh英pi"8k吋m thu瓜e"x́pi"e„"8員c tính c栄a Double-Torus2.
Tham s嘘 h Double-Torus2 MIN AVG MAX
2 Không nhi宇u 0 0.0049 0.4375 Nhi宇u 0 0.0314 0.6383 Kh穎 nhi宇u 8.3447e-07 0.1657 0.8837 3 Không nhi宇u 0 0.0049 0.5156 Nhi宇u 0 0.0316 0.6383 Kh穎 nhi宇u 0 0.1687 0.7735 5 Không nhi宇u 0 0.0054 0.4375 Nhi宇u 0 0.0322 0.6383 Kh穎 nhi宇u 6.9797e-07 0.1703 0.8014 10 Không nhi宇u 0 0.0052 0.5156 Nhi宇u 0 0.0315 0.6383 Kh穎 nhi宇u 6.9797e-07 0.1722 0.7997
B違ng 7-6: B違ng s嘘 li羽u nh英pi"8k吋m thu瓜e"x́pi"8員c tính Double-Torus2, MLS và Non- Local, bán kính 2.
‚ Hình Ｖnh thばc nghiうo"vjw"8⇔ぢc vずi các tham sぐ h
Hình 7-27: h = 3, bán kính 2.
Hình 7-28: h = 5, bán kính 2.
Hình 7-29: h = 10, bán kính 2.
Nh壱n xét: A嘘i v噂i t壱p d英 li羽u Double-Torus2, thu壱t toán MLS k院t h嬰p v噂i Non-Local cho k院t qu違 x医w"j挨p"uq"x噂i t壱p d英 li羽u ban 8w0"N#"fq"8o"oÔ{"8km Double-Torus2 có m壱v"8瓜 8k吋m mpi"x "vjc"iƠ{"mj"vtqpi"xke"ze"8nh s嘘 c映m và các hàng xóm quanh c映o"8„"8吋 thu壱t tốn có th吋 tính tốn
7.2 D英 li羽w"8逢嬰c l医y t瑛 thi院t b鵜 quét Kinect
Hình 7-30: C衣nh c栄a h瓜r"8逢嬰c quét b荏i Kinect
7.2.1 Áp d映ng thu壱t tốn MLS
‚ C衣nh
Hình 7-32: Radius = 0.01, c衣nh, MLS. Hình 7-33: Radius = 0.02, c衣nh, MLS.
‚ Góc
Hình 7-35: Radius = 0.01, góc, MLS. Hình 7-36: Radius = 0.02, góc, MLS.
Hình 7-37: Radius = 0.03, góc, MLS.
7.2.2 Áp d映ng gi違i thu壱t MLS và NON-LOCAL
‚ C衣nh
- V噂i tham s嘘 bán kính 0.02, tolerance 0.01, s嘘 c映m 4, s嘘 hàng xóm 8, tr詠c quan eƒe"8k吋m thu瓜e"x́pi"e„"8員c tính.
Hình 7-38: A員c tính c衣nh, s嘘 c映m 4, s嘘 hàng xóm 8.
- V噂i tham s嘘 bán kính 0.02, tolerance 0.01 s嘘 c映m 4, s嘘 hàng xóm 8, so sánh các giá tr鵜 h:
Hình 7-39: h = 5, c映m 4, hàng xóm 8, c衣nh. Hình 7-40: h =10, c映m 4, hàng xóm 8, c衣nh.
- V噂i tham s嘘 bán kính 0.02, tolerance 0.01 s嘘 c映m 7, s嘘 hàng xóm 8, tr詠c quan eƒe"8k吋m thu瓜e"x́pi"e„"8員c tính.
Hình 7-41<"A員c tính c衣nh, s嘘 c映m 7, s嘘 hàng xóm 8. - V噂i tham s嘘 bán kính 0.02, tolerance 0.01 s嘘 c映m 7, s嘘 hàng xóm 8, so sánh các giá tr鵜 h: Hình 7-42: h = 5, c映m 7, hàng xóm 8, c衣nh. Hình 7-43: h = 10, c映m 7, hàng xóm 8, c衣nh. ‚ Góc
- V噂i tham s嘘 bán kính 0.02, tolerance 0.01 s嘘 c映m 4, s嘘 hàng xóm 8, tr詠c quan các giá tr鵜 thu瓜e"x́pi"e„"8員c tính.
Hình 7-44<"A員c tính góc, s嘘 c映m 4, s嘘 hàng xóm 8.
- V噂i tham s嘘 bán kính 0.02, tolerance 0.01 s嘘 c映m 4, s嘘 hàng xóm 8, so sánh các giá tr鵜 h.
Hình 7-46: h = 10, bán kính 0.02, s嘘 c映m 4, s嘘 hàng xóm 8, góc
- V噂i tham s嘘 bán kính 0.02, tolerance 0.01 s嘘 c映m 7, s嘘 hàng xóm 8, tr詠c quan các giá tr鵜 thu瓜e"x́pi"e„"8員c tính.
Hình 7-47: A員c tính góc, s嘘 c映m7, s嘘 hàng xóm 8.
- V噂i tham s嘘 bán kính 0.02, tolerance 0.01 s嘘 c映m 7, s嘘 hàng xóm 8, so sánh các giá tr鵜 h.
Hình 7-48: h = 5, bán kính 0.02, s嘘 c映m 7, s嘘 hàng xóm 8, góc.
Hình 7-49: h = 10, bán kính 0.02, s嘘 c映m 7, s嘘 hàng xóm 8, góc.
Nh壱n xét: A嘘i v噂i d英 li羽u t瑛 thi院t b鵜 Kinect trong c違4"vt逢運ng h嬰r"8員c tính c衣nh và góc thì k院t qu違 vjw" 8逢嬰c t嘘v"j挨p"t医t nhi隠u so v噂i d英 li羽u Double-Torus2. Thu壱v"vqƒp" 8«" khơng t衣o ra nhi隠u nhi宇u và outliers, quan tr丑pi" j挨p" n " e衣nh và góc c栄a hình h瓜p khơng b鵜 bi院n d衣pi"8k0"Piq k"tc."vj運i gian ch衣y thu壱t toán là khá lâu tùy thu瓜c vào bán m pj" v·o" x́pi" 8員e" vt逢pi" jc{" rj衣o" xk" v pj" pqtocn" xgevqt" ejq" 8o" oÔ{" 8km trong
vt逢運ng h嬰p ch衣y th詠c nghi羽m này th運i gian ch衣y thu壱t toán là kho違ng 1 gi運 8院n 2 gi運 8欝ng h欝.
7.3 Th違o lu壱n
‚ Ch丑n tham s嘘:
- Tham s嘘8k隠u khi吋p"j<"8逢嬰c dùng trong tính tr丑ng s嘘v逢挨pi"v詠 gi英a các vùng là mj„"zƒe"8鵜nh, nó ph映 thu瓜c vào phân b嘘 cc"8o"oÔ{"8km v nhi宇u. N院u h 8逢嬰c ch丑n th医p d磯p"8院n khơng th吋 xóa h院t nhi宇u. Ni逢嬰c l衣i, n院w"j"8逢嬰c ch丑n cao thì giá tr鵜 c栄a tr丑ng s嘘 s胤 cao d磯p"8院n khơng gi英 8逢嬰e"8員c tính b隠 m員t sau khi kh穎 nhi宇u
- Tham s嘘 a trong Gaussian Kernel là kho違ng cách l噂n nh医t t瑛8k吋m u 8院n các hàng xóm xung quanh nó.
- Bán kính tìm ki院o"ejq"8k吋m u ph違k"8違m b違o không quá nh臼 e pi"mj»pi"swƒ" l噂n. Lý do, t壱r"8k吋o"zwpi"swcpj"8k吋m u vjw"8逢嬰c là vùng không gian ph違i có m ej"vj逢噂c l噂p"j挨p"u嘘 c映m nhân v噂i các hàng xóm xung quanh tâm c栄a m厩i c映o"8„0 Vi羽c ch丑n t嘘v"n "m ej"vj逢噂c hàng xóm xung quanh u nên t瑛 g医r"8»k"v ej" s嘘 gi英a s嘘 c映m và s嘘 hàng xóm xumg quanh tâm c映m tr荏 lên.
- S嘘 c映m và s嘘 hàng xóm xung quanh m厩i c映m nên ch丑n theo m壱v"8瓜 8o"oÔ{" 8km
‚ K院t qu違 trên d英 li羽u Double-Torus2.
- A嘘i v噂i d英 li羽u Double-Torus2, rõ ràng thu壱v"vqƒp"8隠 xu医t cho ra k院t qu違 r医t x医u, nó t衣o ra thêm nhi隠u nhiw"x "qwvnkgtu"jp0"Dk"xÃ"8o"oÔ{"8km ny quỏ vjc"x "opi."8Ô{"e pi"n "jn ch院 c栄a thu壱t toán.
‚ K院t qu違 trên d英 li羽u th壱t
- Thu壱v"vqƒp"8隠 xu医v"8逢嬰c ki吋m tra trên d英 li羽u th壱t t瑛 thi院t c違m bi院p"Mkpgev"8逢嬰c 8員t c嘘 8鵜nh trong ph亥n 7.2. V噂i m壱v"8瓜 8o"oÔ{"8km nhi隠w"j挨p"m院t qu違 cho th医y thu壱t tốn khơng t衣o ra nhi隠u nhi宇u hay outliers so v噂i trên d英 li羽u Double- Torus2. Bên c衣pj"8„"eƒe"ejk"vk院t v隠 c衣nh và góc v磯p"8逢嬰c gi英.
Rj逢挨pi" rjƒr" 8隠 xu医t cho kh穎 nhiw" 8o" oÔ{" 8km 3D b茨ng cách k院t h嬰r" rj逢挨pi" pháp MLS v噂i m瓜t m荏 r瓜ng c栄c"rj逢挨pi"rjƒr"mj穎 nhi宇u Non-Local t瑛 4F0"Rj逢挨pi" rjƒr"8逢嬰c ki吋m tra trên d英 li羽u Double-Torus2 và d英 li羽w"8逢嬰c l医y t瑛 Kinect và so sánh v噂i thu壱t toán MLS 8瓜c l壱r0"Rj逢挨pi"rjƒr"8隠 xu医t cho th医y nó có th吋 gi英 8逢嬰c nh英pi"8員c tính góc và c衣nh sau khi làm m鵜n b隠 m員v"8嘘i vk"8o"{"8km có m壱v"8瓜 dày. H衣n ch院 c栄c"rj逢挨pi"rjƒr"n "mj»pi"x穎 lý tv"vtp"8o"{"8ko"vjc"x "ong vì mj»pi"8栄 s嘘 n逢嬰pi"8k吋m trong vi羽c tìm quan h羽 t嘘t gi英a nh英ng hàng xóm v噂i nhau. Cu嘘i cùng, là th運i gian th詠c thi c栄a gi違i thu壱t r医t lâu.
TÀI LI烏U THAM KH謂O
[1] Alexa M, Behr J, Cohen-Or D, Fleishman S, Levin D, Silva, ÐComputing and rendering point set surfacesÑ. IEEE Trans. on Visualization and Computer Graphics Volume 9 Issue 1, January 2003.
[2̲"Dqtku"Ogfgtqu."Nwk¦"Xgnjq."Nwk¦"Jgptkswg"fg"Hkiwgktgfq."ÐRqkpv"Enqwf" FgpqkukpiĐ, Proceedings of the SIAM Conference on Geo-metric Design and Comuting, 2003.
[3] Buades C."Eqnn"D."Oqtgn"LO."ÐC"pqp-nqecn"cniqtkvjo"hqt"kocig"fgpqkukpiÑ. [4̲"E0"Vqocuk"T0"Ocpfwejk."ÐDkncvgtcn"hknvgtkpi"hqt"itc{"cpf"eqnqt"kociguÑ0"Kp"KEEX." 839Ỵ846, 1998.
[5] Christopher M. Bishop, ÐPattern Recognition and Machine LearningÑ."4228. [6] David G. Lowe. ÐDistinctive Image Features from Scale-Invariant KeypointsÑ, International Journal of Computer Vision, 60(2):91Ỵ110, November 2004.
[7] David Levin, ÐMesh-Independent Surface InterpolationÑ, Geometric Modeling for Scientific Visualization, 37-49, 2003.
[8] Douglas C. Montgomery, George C. Runger, ÐApplied Statistics and Probability for GpikpggtuÑ, 2002.
[9] In-kwon Lee, ÐCurve Reconstruction from Unorganized PointsÑ, Computer Aided Geometric Design, 17, 2, 161-177, 2000.
[10] Jon Louis Bentley, ÐOwnvkfkogpukqpcn"dkpct{"ugctej"vtggu"wugf"hqt"cuuqekcvkxg" ugctejkpiĐ0"Eqoowp0"CEO."3:<72;Ỵ517, September 1975.
[11] Khoshelham, K., Oude Elberink, ÐAccuracy and resolution of Kinect depth data for indoor mapping applicationsÑ, Open Access Journal, 1437-1454, 2012.
[12] K. Pearson. ÐOn lines and planes of closest fit to systems of points in spaceÑ. Philosophical Magazine, 2:559Ỵ572, 1901.
[11] M. A. Fischler and R. C. Bolles, ÐRandom sample consensus: A paradigm for oqfgn"Ývvkpi"ykvj"crrnkecvkqpu"vq"kocig"analysis and automated cartographyÑ. Communications of the ACM, 24(6):381Ỵ395, 1981.
[13] Marc Alexa, Johannes Behr, Daniel Cohen-Or, Shachar Fleishman, David Levin, Claudio T. Silva, ÐPoint Set SurfacesÑ, Proceedings of the conference on Visualization, 21-28, 2001.
[14] M. Camplani, L. Salgado, ÐEfficient Spatio-Temporal Hole Filling Strategy for Kinect Depth MapsÑ, IS&T/SPIE Int. Conf. on 3D Image Processing (3DIP) and Applications , SPIE vol. 8290, 2012.
[15] M. Camplani, L. Salgado, ÐAdaptive spatio-temporal filter for low-cost camera depth mapsÑ, IEEE Int. Conf. on Emerging Signal Processing Applications , 33-36, 2012.
[16] M.R. Andersen, T. Jensen, P. Lisouski, A.K. Mortensen, M.K. Hansen,T. Gregersen, P. Ahrendt, ÐKinect Depth Sensor Evaluation for Computer Vision ApplicationsÑ, Technical report ECE-TR-6, 2012.
[17] Oliver Schall, Alexander Belyaev, Hans-Peter Seidel, ÐAdaptive feature-
preserving non-local denoising of static and time-varying range dataÑ, Computer-Aided Design, 40, 6, 701-707, 2008.
[18] Oztireli, Cengiz, Guennebaud."ÐHgcvwtg"Rtgugtxkpi"Rqkpv"Ugv"Uwthcegu"dcugf"qp" Non-Nkpgct"Mgtpgn"TgitguukqpÑ."Rtqeggfkpiu"qh"Gwtqitcrjkeu"422;.
[19̲"R0"Lgpmg."O0Ycpf."O0"Dqmgnqj."C0"Uejknnkpi."cpfY0"UvtcDgt0"ÐDc{gukcp"rqkpv" enqwf"tgeqpuvtwevkqpĐ."Eqorwvgt"Itcrjkeu"Hqtwo"*Rtqeggfkpiu"Gwtqitcrjke28+." 25/3:379Ỵ388, 2006.
[20] Pauly, M., Mitra, N.J., Guibas, L.J, ÐUncertainty and Variability in Point Cloud Surface DataÑ. Proc. Eurographics Symp. on Point-Based Graphics, p.77-84, 2004. [21] Radu Bogdan Rusu, ÐSemantic 3D Object Maps for Everyday Manipulation in Human Living EnvironmentsÑ. PhD thesis, Computer Science department, Technische Universitaet Muenchen, Germany, October 2009.
[22] Radu Bogdan Rusu, Nico Blodow, and Michael Beetz. ÐFast point feature histograms (fpfh) for 3d registrationĐ0"Kp"Tqdqvkeu"cpf"Cwvqocvkqp."422;0"KETC"Ĩ2;0" IEEE International Conference on, pages 3212 Ỵ3217, Kobe, Japan, may 2009. [23] Radu Bogdan Rusu, Steve Cousins, Ð3D is here: Point Cloud Library (PCL)Ñ, International Conference on Robotics and Automation, 2011.
[24] Ren-fang WANG, Wen-zhi CHEN, San-yuan ZHANG, Yin ZHANG, Xiu-zi YE, ÐSimilarity-based denoising of point-sampled surfaceÑ, Journal of Zhejiang University SCIENCE A, 9, 6, 807-815, 2008.
[25] Shachar Fleishman, Iddo Drori, Daniel Cohen-Qt."ÐDkncvgtcn"Oguj"FgpqkukpiÑ." Proceedings of ACM SIGGRAPH 2003.