所采取的技术方案，是一种基于结构光的主动扫描方案。具体来讲，主要是利用Kinect，Xtion等低成本深度摄像机进斤数据采集，并使用类KinectFusion技术进行实时数据融合的一种三维扫描方案。2011年，Newcoｍbe和Izadi等人，提出了一种被称为KinectFusion的实时三维重建技术，该技术可对场景进行实时的三维重建和可视化，由于该算法只使用深度数据作为数据源，因此场景的光照条件不敏感，非常适合家用三维扫描。KinectFuison算法在运行时，首先会在显存中分配空间，创建一个虚拟的三维网格立方体用于存放全局数据。随后，对Kinect采集到的深度数据进行滤波得到平滑后的深度数据，利用反投影原理，将深度数据像素坐标映射为空间坐标，并计算法线，得到一倾带法线的点云数据。通过ICP算法将当前倾点云与全局数据进行配准，计算相机姿态，并根据相机姿态将新数据加入到全局数据中，随着点云数据的不断加入，场景逐步完成重建。最后，通过光线投射算法，檀染数据使之表现出3D效果。重建后的模型精度取决于虚拟三维网格的分辨率，通常情况下，网格在三个方向上均等分为512份，因此需要512Ｍ湿存，当边长为1.5ｍ时，重建精度大致为3ｍｍ。该算法充分使用了GPU技术，使得相机姿态追踪和重建能够顿级别的速率运行，具有非常好的实时性和准确性。

当然，KinectFusion算法也存在一些不足，首先，该算法对GPU要求比较高，需要支持DirectX11的显卡。Kinect的一些开源实现，例如PCL的KinFu也需要显卡具有2.0Ｗ上的计算能为。另外，KinectFusion算法中的相机姿态追踪仅使用了Kinect采集到的深度数据，因此对于一些几何特征不明湿的物体，例如：圆柱体，球体等，该算法不能很好的进行姿态追踪，也就不能正确的进行三维重建。

为了解决上述姿态追踪问题，Peasley等人采用Lucas-Kanade算法对Kinect采集到的点云数据进行估计，得出两组点云之前存在的投影变换关系，将其作为点到面误差最小化的数据关联，通过送一方法，实现了对几何特征不明显的物体建立相对较为准确的三维模型。而Daniel Tenedorio等人则将一个追踪器固定在Kinect上，并在屋顶布置了 4个红外摄像机构成追踪系统，追踪系统以60Hz的速率对追踪器的6自由度姿态进行精确的追踪，以此来实时获得Kinect设备的姿态，提高了三维扫描的准确度。同时该系统可以生成实时的扫描结果预览，使得用户可以根据预览的扫描效果，进行孔洞部位二次扫描或有针对性的提高扫描精度。这种方案非常适合在实验室开展相关的研究活动，但无法作为家用三维扫描设备进行推广，有着比较大的局限性。