1.2  国内外研究现状 目前国内外已经有很多研究人员针对 Kincet 摄像机的标定和配准做出了许多的研究。1
.2.1 标定 在标定方面，可以用前人对于普通摄像机的标定方法来对 Kinect 进行标定，当然也已经有很多单独针对于 Kinect 摄像机的标定办法。根据是否使用了参照物进行标定工作来分类，能够分为传统的摄像机标定方法，相机自标定方法等。在传统的摄像机标定方法中，典型的代表方法有 Faig[3]的方法，通过建立一个较为复杂的三文重建模型，结合针孔相机模型的共面约束条件和各种其他因素对成像的影响，运用大批的参数进行运算处理。 Smisek[4]等人提出的，制作一个棋盘格图，贴于平坦的板子上方便拍摄，通过提取棋盘格彩色图像和红外图像的角点，然后计算相机的内外参数，这一部分的工作可以通过 MATLAB 的工具箱快速计算出。这种方法非常的快速有效，操作起来很方便，但是在自然光条件下拍摄，容易造成拍摄出来的图像比较暗，影响精度，得出的结果不够稳定。国内的研究有基于已知尺寸的长方体标定物的深度相机内参标定算法[5]，算法仅使用深度信息，可广泛应用于一系列深度相机和应用场景。标定过程基于由投影计算得到的空间平面之间的夹角和距离。算法首先结合相机内参将深度数据回投至相机局部坐标系下形成空间点集，继而由点集拟合的空间平面来构造优化目标方程，并使用非线性迭代优化算法获得相机内参优化值。最经典的标定方法应该是张正友的基于棋盘格标定板的相机标定方法[6]，该方法先对摄像机的参数进行估计，然后在用函数对参数进行迭代法计算得到精度较高的结果。相机的自标定只需要使用同一相机在不同位置所拍摄的环境图像，通过对这些拍摄得到的图像进行计算他们之间的对应关系，就可以得到所需要的参数，但是这种算法鲁棒性较差。 由Herrera[7]等人提出的，基于彩色图像和 Kincet原始视差的标定，忽略掉红外相机的透镜畸变影响。虽然这种标定方法较为准确，但是需要进行大量的运算，实验速度较慢。
1.2.2 配准 在配准方面，也有很多方法可供选择。通过采集不同视角下图像数据之间的对应控制点，通过计算得到配准的变换矩阵。而后经过 Besl 和 McKay[8]提出来的迭代最近点算法ICP(Iterative Closest Point)，将最近点作为深度数据之间对应的匹配点，然后构建一个点之间的误差函数，通过非线性方法来使误差函数最小，不断迭代运算来得到最符合的结果。还有一种基于 Kincet 标定的点云配准办法。首先经过棋盘格标定法对 Kincet 进行标定,而后通过标定得到的相机内外参数计算不同视角数据间的运动参数,依据得到的运动参数,对原始采集的点云数据进行初始配准。而后使用改进的迭代最近点算法,对初始配准后的点云数据进行精确配准[9]。 基于多Kinect的物体三维点云数据获取技术研究(2):http://www.youerw.com/zidonghua/lunwen_28779.html