Our focus in this thesis report is

Our focus in this thesis report is to suggest one approach to application of the
Microsoft Kinect in building a 3D object scanner using basic components and without
the need for high-end computers and fancy video adapters. We test how a 3D
reconstruction system can work when accurate transformations of the camera are
known. By sampling equidistantly around the object, we thus are not in need of doing
the point cloud registration task. While some methods show very promising results
using point cloud registration e.g. KinectFusion [3] there is an elementary problem
that can never be fully solved by such algorithms. Error in estimated transformation
from one viewpoint to the next contains error, which will propagate through the
process. This incurs an error in the final estimate. To compensate for this, approaches
based on Particle [4] and Kalman filters [5] are usually adopted. This minimizes the
effects, but does not remove them altogether. We investigate in this thesis work a
setting where the transformation from one frame to the next is known with extremely
high precision and test if this setting provides more reliable results than the more
sophisticated methods based on registration. Furthermore, because we know the
transformations beforehand (circular movements around the object) we experiment
with using a coordinate frame especially suited.

Kết quả (Việt) 2:

Trọng tâm của chúng tôi trong báo cáo luận án này là để đề nghị một phương pháp tiếp cận để ứng dụng của
Microsoft Kinect trong việc xây dựng một máy quét đối tượng 3D bằng cách sử dụng các thành phần cơ bản và không có
sự cần thiết cho máy tính cao cấp và card video ưa thích. Chúng tôi kiểm tra làm thế nào một 3D
hệ thống tái thiết có thể làm việc khi chuyển đổi chính xác của máy ảnh được
biết đến. Bằng cách lấy mẫu equidistantly xung quanh đối tượng, chúng ta như vậy, không cần làm
nhiệm vụ đăng ký đám mây điểm. Trong khi một số phương pháp hiển thị kết quả rất hứa hẹn
sử dụng đăng ký đám mây điểm ví dụ như KinectFusion [3] có một vấn đề cơ bản
mà không bao giờ có thể được giải quyết hoàn toàn bởi các thuật toán như vậy. Lỗi trong chuyển đổi ước tính
từ một quan điểm đến tiếp theo chứa lỗi, mà sẽ lan truyền qua các
quá trình. Điều này sẽ phát sinh lỗi trong các ước chính thức. Để bù đắp cho điều này, phương pháp tiếp cận
dựa trên [4] bộ lọc Kalman [5] Particle và thường được thông qua. Điều này giảm thiểu các
tác động, nhưng không loại bỏ chúng hoàn toàn. Chúng tôi điều tra trong luận án này làm việc một
môi trường nơi mà sự chuyển đổi từ một trong khung tiếp theo được biết đến với rất
chính xác cao và kiểm tra nếu thiết lập này cung cấp kết quả đáng tin cậy hơn so với nhiều
phương pháp tinh vi dựa trên đăng ký. Hơn nữa, bởi vì chúng ta biết được
biến đổi trước (chuyển động tròn xung quanh đối tượng) chúng tôi thử nghiệm
bằng cách sử dụng một khung đặc biệt phù hợp phối hợp.