下载掌阅APP，畅读海量书库
立即打开
目前，激光扫描技术已经在医学研究、文物数字化保护、游戏软件开发及工程应用等领域 [1-5] 得到了日益广泛的应用，通过激光扫描技术对点云数据处理系统的研究也有了长足发展。采用激光扫描技术获取的数据是大量的离散化三维数据信息，这些以坐标来记录的数据就称为点云数据。
激光脚点的精度与密度不断提高，获取的点云数据量也大幅增长，常见的点云数据多在数十亿点，且散乱无序。传统算法已无法快速有效对大规模点云数据进行处理，因此对海量点云数据的高效处理和利用成为三维激光扫描技术发展的研究重点。海量点云数据具有大数据特征，具体体现在以下几个方面 [6-7] ：
（1）数据量巨大，三维激光扫描产生的点云数据高度密集，通常达到数十吉比，甚至太比。
（2）数据种类丰富，点云数据不仅包括激光脚点的三维坐标，还包括回光强度、回波次数信息及影像信息等。
（3）数据离散不规律，点云数据是离散分布的空间数据，而且系统扫描时也有一定的随意性。
（4）数据增长迅速，随着激光扫描技术的发展，获取点云数据的能力日益增强，获取速度也越来越快。
（5）数据价值有待挖掘，相对于激光雷达获取的点云数据量，它的价值并未得到充分挖掘。
因此，对于海量的点云数据，需要对其进行数据处理，数据处理方法主要包括点云去噪、点云简化、点云配准、点云融合、点云分割、点云数据模型检索、点云补洞等。其中，点云去噪、点云简化、点云配准、点云分割、点云数据模型检索是本书的主要研究内容。
点云表示实际物体三维信息的统计无序数集，是与被测物体相关的大量散状点集合。点云能够显示被测物的表面特点信息及从各个方位扫描的空间特性信息，包含被扫描对象表面上所有点的物理数据，如颜色特性、坐标特性、集合规模大小、透明度等，如图1.1所示为建筑物的点云数据模型。
图1.1 建筑物的点云数据模型
目前，常见的点云数据获取方法为无损测量，它又分为接触式和非接触式两种测量方法，使用的相关仪器如图1.2所示。
图1.2 无损测量仪器
1.接触式测量
接触式测量主要使用三维坐标测量机对实物进行数据测量，仪器通过传感器与空间运动轴线相结合，获取实物离散空间的位置，从而得到三维点云数据模型。但该测量方式需要保证三维坐标测量机探头与被测实物直接接触，这会使三维坐标测量机的探头因摩擦而对实物及相关物理设备造成一定程度的磨损，进而影响测量结果的准确性，降低测量精度，还可能对被测物体造成一定程度的破坏，特别是对出土文物。
2.非接触式测量
非接触式测量利用光线、声音、电磁等原理，间接获取实物的点云数据模型，进而计算出对应的坐标点。其中，应用最为广泛的非接触式测量仪是激光测量仪，它以激光器作为光源测量距离，结合图像分析法获取点云的空间坐标信息。非接触式测量仪无须与实物接触，因此不会对被测物体和仪器造成磨损，更不会对测量精度有明显影响。
根据点云的分布方式，点云数据主要分为4种类型，即散乱点云、线扫描点云、阵列式点云和多边形点云，如图1.3所示。
图1.3 点云数据的类型
（1）散乱点云。点云数据排列无任何规律可循，呈一种无特征且杂乱无章的分布状态，各点云之间的拓扑关系完全未知，如图1.3（a）所示。
（2）线扫描点云。点云数据之间由一组扫描线组成，呈线性关系排列，部分点云之间的拓扑关系已知，如图1.3（b）所示。
（3）阵列式点云。各点云之间按照阵列排列，每个点与均匀网格相对应，可以计算出点云的总数量，各点云之间的拓扑关系已知，如图1.3（c）所示。
（4）多边形点云。点云数据呈网状或面状排列，呈多边形关系分布，是一种有序的点云，部分点云之间的拓扑关系已知，如图1.3（d）所示。
点云数据主要有4种存储格式，包括PLY格式、STL格式、OBJ格式和OFF格式。虽然它们存储点云数据的方式不同，但每种存储格式都有其自身的应用领域。
1.PLY格式
PLY文件用于存储图形格式的文件，多用于存储三角形和多边形的物体。PLY文件有两种存储形态：一种以ASCII形式存储，另一种以二进制形式存储。如果PLY文件存储的是 n 边形，则这个图形有 n 种属性，PLY文件可以保存图像信息，如坐标信息、颜色深度、区域大小。
2.STL格式
STL格式是用来描述三角形网格结构的文档格式。由于STL格式有自身的标准文件型病毒，所以不能保存颜色、算法向量等类型的信息内容。STL文件有两种标准文件格式：一种以ASCALL形式存储，另一种以二进制形式存储。STL文件的主要作用是存储扫描物体的几何信息，它不能保存颜色、深度及特征值。在几何应用学中，STL文件的应用比较广泛，如3D打印机的内部存储结构采用的是STL文件，3D建模时也会用到STL文件。
3.OBJ格式
OBJ文件可以用3D打印机扫描，但是这种格式存在一定局限性，它必须在3D建模和动画制作中使用。
4.OFF格式
OFF文件用来显示图像的几何信息，其点云文件具备两个特点：一是通过激光扫描识别到的图像不可直接处理，因为点云是一群散乱的点，识别出的只有三维的位置信息，这些点没有任何顺序，所以处理点云数据时应首先解决点云数据的无序性；二是每个数据集间相互影响，每个点云数据都是有关联的，在三维空间中可以通过距离来衡量点云数据之间的关系。
4种格式的文件都可以用编辑软件打开、编辑和修改，而且STL文件、OFF文件和OBJ文件之间可以进行数据转换。区别在于STL文件和OFF文件必须要有头文件，用于显示点云数据的处理信息，如时间、文件格式和大小等，而OBJ文件则不存在头文件。
相对于二维图像，点云数据规避了图像采集过程中遇到的姿态、光照等问题，且可视化后的三维点云数据不仅可以很好地表达物体的形状特征，还可以在不同视角下通过旋转、缩放等操作了解物体的三维结构信息，包含丰富空间信息的点云数据具有不可替代的优势。点云数据主要具有如下特征：
（1）数据量比较大。大多数情形下，扫描装置都可以在目标物质表面收集到几万至几百万个数据点。
（2）数据密度比较高。通常扫描获取的点云数据的密度都比较高，扫描传感器的扫描角度会影响采集数据的稀疏程度。
（3）点云数据包括待检测物体在三维空间中的坐标信息，还包括颜色、灰度及点的强度。
（4）点云数据中含有噪声点和孔洞。受外界环境影响，识别目标物体时会因为光照、物体遮挡、拍摄角度和人为因素等产生干扰，而导致被测物体识别变形，这就是噪声点和孔洞。
（5）点云数据分布散乱。激光雷达通过扫描带进行扫描，每个扫描带扫描出的数据都是均匀分布的，但是受光照影响，容易造成光照强的地方扫描密度聚集，光照暗的地方扫描精度降低。
（6）点云数据的距离检测性。在用激光扫描识别的物体的点云数据时，会获得物体的三维坐标值、距离、角度和深度等信息。
三维激光扫描技术是获取物体空间点云数据信息的重要手段之一，并在多个领域发挥着重要的作用 [8-11] 。但是，三维激光扫描设备获取的初始点云数据模型中含有较多噪声点，不利于后期的点云处理，因此需要将其剔除。
近年来，国内外学者对点云去噪算法进行了较为深入的研究。例如，N. Polat等 [12] 提出了一种LiDAR数据去噪算法，该算法可以根据地区地形特征的变化而变化，可以有效滤除非地面点，是一种有效的点云去噪算法；徐少平等 [13] 提出了一种基于卷积神经网络的去噪算法，该算法首先通过训练卷积神经网络模型构成NLAF特征向量，然后利用增强的BP神经网络预测模型将NLAF特征向量映射为噪声水平值，最后以估计值的中值作为噪声水平值的最终估计结果，该去噪算法具有较高的准确率和执行效率；Z. Xu等 [14] 提出了一种基于局部坐标系下多个各向异性估计的点云去噪算法，该估计对点云表面的形状保持具有自适应性，既可保持点云尖锐的特征点，也可保留点云中的光滑区域；赵凯等 [15] 提出了一种基于栅格划分的点云离群噪声点去除算法，通过对点云进行体素栅格划分，降低了点在邻域中的搜索范围，有效分离了目标点云和离群点，加快了点云处理的效率。
以上述基于栅格划分的点云离群噪声点去除算法为例，对Person点云数据模型进行去噪，如图1.4所示。
图1.4 点云去噪实例
采用三维激光扫描仪获取的高精度点云数据中存在大量冗余数据点，数据点较为密集，不仅增加了计算开销，而且对其存储、传输和计算均不利，还会影响后续点云数据处理的结果，因此有必要对其进行简化处理。目前，点云简化已经被广泛应用于工程检测、数字医疗、农业应用、文物古迹勘测与保护等领域 [16-20] 。
点云简化的基本原则为：对于点云数据模型中曲率较大的地方，要尽量保留较多的数据点，而对于点云数据模型中曲率较小的地方，可以保留较少的数据点。点云简化的方法主要分为4类：一是根据点云简化密度和曲面变分进行简化，二是根据点云中点的数目和点云表面变化系数对点云进行分块简化，三是根据点云中点的曲率大小进行简化，四是采用聚类算法完成点云数据简化。所有简化方法的目的都是在精简数据的同时，有效保持点云的尖锐特征。
为了在保持点云原有几何特征的基础上降低点云的数据量，国内外学者对点云简化算法进行了大量的实验研究。早在1996年，D. J. Weir等 [21] 就提出包围盒算法，该算法通过将整个点云建成一个完整的长方体盒，再对长方体盒进行划分来实现点云简化，该算法适用于分布均匀的点云数据，其缺点是容易造成细节特征的丢失；1997年，R. R. Martinr等 [22] 提出了均匀网格算法，该算法将空间使用均匀网格进行划分，只保留网格中间的中心点，但是简化后的模型依然不能突出其细节几何特征；林松等 [23] 提出了一种基于最优邻域局部熵的点云简化算法，该算法通过构造局部邻域信息的熵函数剔除平坦区域数据点，可以较好地保留细节，其缺点是容易出现孔洞现象，从而影响后期三维模型的重建；李金涛等 [24] 提出了一种基于曲率等级划分的简化算法，该算法对于归一化后的曲率采用对数函数进行分级，在网格化不同等级的点之后，根据点的曲率等级实现点云的分层简化，但是该算法对噪声含量较高的点云的简化效果不佳；李大军等 [25] 提出了一种基于结构信息约束的网格简化算法，该算法可以健壮地保持最佳三角面的形状和拓扑结构，改善三维模型的重建效果；M. L. Li等 [26] 提出了一种过滤和简化三维建筑网格模型的算法，该算法通过边折叠操作实现网格简化，能够保留分段平面结构和尖锐特征；Y. Q. Liang等 [27] 提出了一种结合边分裂和边折叠操作的网格简化算法，在几何特征保持、三角形质量等方面具有较为明显的优势；N. Chen等 [28] 提出了一种多特征融合点云简化算法，该算法融合曲率、局部投影距离、法向量和局部颜色差异等多种点云特征，可以准确地区分尖锐和光滑的边缘，在最终的3D重建中保留点云的更多边缘细节；C. L. Lv等 [29] 提出了一种基于近似本征体素结构（Approximate Intrinsic Voxel Structure，AIVS）的点云简化算法，可以实现点距内在控制的柔性简化。
以一种保留几何特征的点云简化算法 [30] 为例，对文物点云数据模型进行简化，如图1.5所示。
图1.5 点云简化实例
随着三维激光扫描技术的日趋成熟，得到精确的三维模型坐标已经非常容易，而如何给予点云数据一个好的配准算法则逐渐成为三维激光建模的关键。为了得到被测物体的完整点云数据模型，需要将从各个视角扫描得到的点云合并到一个统一的坐标系下，从而获得整个物体的完整点云数据模型，这就是点云配准。目前，点云配准已经在医学研究、文物虚拟复原、工程建设等领域 [31-33] 得到日益广泛的应用。
根据是否使用点云的特征，点云配准算法可以分为两大类，即基于特征的配准算法和无特征的配准算法。通常，基于特征的配准算法需要检测点云的特征点、特征区域或特征线等，通过特征的配准实现点云配准。例如，S. Chen等[34]针对低覆盖率点云，采用线特征建立点云间的结构对应关系，提高了配准算法的健壮性；李思远等 [35] 提出了一种沿竖直方向和水平方向分阶段变换的点云配准算法，通过分别在 x 轴和 y 轴上遍历距质心的距离寻找特征点完成配准，解决了传统点云配准算法效率低、误差大的问题；Y. H. Zhang等 [36] 提出了一种基于轮廓特征约束的点云配准算法，解决了飞机蒙皮配准时的错位和局部最小值问题；C. X. Li等 [37] 提出了一种基于局部特征的点云配准算法，使用 k 最近邻域拓扑对点云局部特征进行编码，并将其与全局特征相结合，实现点云配准，有效提高了配准精度和健壮性。
无特征的点云配准算法不需要提取特征，直接利用全局点进行配准即可。例如，M. Magnusson等 [38] 提出了一种基于统计学的点云配准算法，利用正态分布变换（Normal Distribution Transform，NDT）实现点云配准算法，可以有效提高点云配准的精度；杨宜林等 [39] 提出了一种基于NDT与特征点检测的点云配准算法，该算法采用NDT确定点云初始位姿，再通过3D-Harris角点检测提取特征点，最后利用ICP算法实现点云配准，提高了配准的效率和精度；袁志聪等 [40] 提出一种改进的DNT算法，可以有效提高算法的收敛速度；D. Z. Liu等 [41] 提出了一种基于深度学习的健壮点云配准方法，使用基于主成分分析（Principal Components Analysis，PCA）的调整网络快速调整两片点云之间的位置，可以避免算法陷入局部最优解，增强配准的健壮性；F. Simone等 [42] 提出了一种概率点云配准算法，其性能优于先进的局部点云配准算法，可以有效降低计算时间；迭代最近点（Iterative Closest Point，ICP）算法 [43] 也是一种非常经典的无特征点云配准算法，它具有配准精度高、速度快等优点，但当待配准点云不存在包含关系、初始位姿差异大或噪声含量高时，其性能较差；后来，国内外学者又提出了GP-ICP（Ground Plane Iterative Closest Point）、CAICP（Correntropy-based Affine Iterative Closest Point）、MICP（Multi-source Iterative Closest Point）及VICP（Variant Iterative Closest Point）等许多改进的ICP算法 [44-47] ，在一定程度上弥补了ICP算法的缺点，提高了算法的配准精度、健壮性和抗噪性等。
以基于几何属性和改进ICP的点云配准算法 [48] 为例，对公共点云Bunny数据进行配准。配准过程主要包括计算点的法向量和曲率特征、检测配准点对、相似性度量、剔除错配点对及K-D树（K-Dementional Tree）配准等步骤，配准前后如图1.6所示。
图1.6 点云配准实例
点云分割是通过一系列算法，将三维空间中散乱的点云数据划分为更加连贯的子集的过程。分割后的点云数据按照点云属性被划分为同一组别，从而方便进行下一步数据处理。对三维点云数据模型的合理分割是后续数据分析的基础，便于后续的特征提取、目标识别、三维重建和虚拟现实等操作。目前，点云分割已经在逆向工程、文物虚拟复原、医学研究等领域得到了日益广泛的应用 [49-52] 。
对于点云分割的研究，国内外学者提出了很多相关算法。例如，代璐等 [53] 提出了一种点云分割神经网络（Non-Equivalent Point Network，NEPN），可以有效解决点云分割中的非等效性，提高分割精度；张坤等 [54] 利用点云形状的相关特征参数实现了基于形状分割的点云分割算法，该算法提高了点云分割的精度和速度，并且具有较强的稳健性；李仁忠等 [55] 针对点云分割准确率低的问题，提出了一种基于骨架点和外部特征点的点云分割算法，可以实现点云表面小范围内凸面体的有效分割，提高了分割精度；傅欢等 [56] 提出了基于八叉树和局部凸性的分割算法，该算法有效减少了分割的曲面数量，同时提升了曲面质量；周炳南等 [57] 基于点云库，通过对比欧氏距离点云分割算法、区域生长点云分割算法及SegmenterLight分割算法的优缺点，对算法的优化提出了相应的改进策略；钱建国等 [58] 提出了一种面向室内粘连点云数据的分割分类算法，利用深度学习网络和聚类算法实现了点云准确分割，具有较高的精度和数据完整性；R. Schnabel等 [59] 使用RANSAC算法实现了点云分割，对于异常点云和噪声点云具有较高的健壮性，但必须提前指定合适的误差阈值和迭代次数；M. Biosca等 [60] 提出了一种基于模糊聚类的点云分割算法，该算法准确率较高，但耗时较长；Z. Wu等 [61] 提出了一种基于标签传播的交互式形状分割方法，可以实现点云数据模型的快速精分割，但该算法对噪声数据不敏感。
以基于改进区域生长算法的点云快速分割算法 [62] 为例，实现基于语义特征标准的分割，点云分割结果如图1.7所示。
图1.7 点云分割实例
点云数据模型检索是点云处理的一个重要研究内容，是指从大量点云数据模型中检索出与某一特定模型相似的所有模型的过程。目前，点云数据模型检索已经在数字图像处理、文物虚拟复原及计算机辅助设计等领域 [63-66] 得到了较为广泛的应用。
根据提取对象的差异，通常可以将点云数据模型检索方法分为两种类型，即基于文本的检索方法和基于内容的检索方法。基于文本的检索方法需要人为地给模型添加相应的关键字，具有较强的主观性；而基于内容的检索方法则是通过提取三维模型的显著几何特征进行检索，可以有效减少人工干预，是目前使用较多的模型检索算法。
国内外学者提出了很多基于内容的三维模型检索算法。例如，K. S. Zou等 [67] 提出了一种基于联合形状分布的三维模型检索算法，通过主面分析和群融合提高了模型检索的精度；A. A. Liu等 [68] 提出了一种多模态视图的三维模型检索算法，通过构造多模态特征空间中图的超边实现模型检索；S. Zhao等 [69] 提出了一种基于多模态图学习的三维模型检索算法，通过度量模型多个视图间的相似性实现检索；A. Maligo等 [70] 提出了一种基于非监督特征学习的三维模型检索算法，有效提高了模型检索的效率；S. M. Yoon [71] 提出了一种基于梯度描述子优化的支持三维物体检索的有效算法，该算法以稀疏编码为基础，通过实验验证了该算法的有效性。
以兵马俑碎片的点云数据模型为例，按照碎片的身体部位进行检索，可以得到上肢、躯干、裙摆、头部和下肢五大类别，如图1.8所示。
图1.8 兵马俑碎片检索结果
目前，点云数据处理技术的应用已涉及农业、医学、电力等诸多领域，部分领域的应用情况如下：
（1）三维建模。通过三维激光雷达技术制作的三维模型精度高、适用范围广、外业工作量少、省时省力。在建筑方面，点云数据处理技术在房屋轮廓提取、特征点检测和三维重建等工作上发挥了重要作用，且结合倾斜摄影技术，地物提取更加便捷，数据可视化程度更高。
（2）农林普查。机载激光点云可以用于普查林木的特征，如树木的平均高度、树冠密度、生物量、林木储量和植被覆盖度等。如果搭配高光谱成像仪，可以确定更多信息，如植被分类、植被储量、土壤变化等。而且，衍生数据可用于监测森林生长，以及风暴或火灾造成的损害等。
（3）地质灾害监测。通过地形三维模型的建立，可以大面积监测地形的变化，并根据地形的变化方向和变化量做出风险评估，为预防地质灾害的发生提供依据。例如，对滑坡体地表的监测，特别是在陡坡下的道路、铁轨及削坡建房等容易发生滑坡的地区，能够为滑坡体成因和发育趋势推断提供重要依据。
（4）电力巡检。将线路铁塔、导地线、线路通道和周边环境的影像数据通过空间三维解算形成三维点云数据，从而更加直观地观察线路通道走廊内目标物的空间位置和轮廓，确定导地线与地面、建筑、植被等目标物之间的距离。在无人机激光点云数据模型中获取高精度的数据信息，结合影像文件可对其进行三维动态模拟和分析，实现对输电线路巡检范围的全覆盖，包括属性状态、位置结构等，使巡检结果实现数字化、可追溯化和可分析化。
（5）自动驾驶。自动驾驶车辆主要依靠激光雷达来对车外环境做出感应，使自动驾驶车辆能在道路上安全行驶。激光雷达生成的三维点云经过标注可以用于自动驾驶系统训练，通过三维点云语义分割将道路环境的点云数据进行分割，可以识别出自动驾驶车辆行驶时车辆周围的行人、道路、汽车等物体，使自动驾驶汽车可以在道路上安全行驶。
（6）文物修复。利用点云数据采集、点云简化、点云分割、点云配准等技术可以实现对文物碎片的数字化复原，为实体复原和虚拟展示提供技术支持，是当前文物领域的一个重要研究方向。虚拟修复可以改变传统仅能实体修复的工作模式，建立虚实结合的新方法。“以虚拟复原为主，以实体复原为辅”的修复方式符合数字化考古的大趋势，既可展现破损文物的复原全貌，也可以看到其前世今生，为实体考古复原提供示范与指导，超越传统实体在时间和空间上的局限性，彰显珍贵文物文化传承的社会价值。
随着三维测量技术的不断发展，人们可以快速获取实体模型表面的三维点云数据，海量点云数据的处理已成为逆向工程中非常重要的研究环节，如何在有限的计算机资源上存储、传输和重构点云数据引起了许多专家学者的重视。本章首先介绍点云的基本概念、分类和特点；然后针对点云数据处理中的关键技术环节（点云去噪、点云简化、点云配准、点云分割、点云数据模型检索）的研究现状进行介绍，为后续章节相关算法的提出奠定了研究基础；最后，介绍点云的几个典型应用领域，主要包括三维建模、农林普查、地质灾害监测、电力巡检、自动驾驶和文物修复等。
[1]刘鸣，舒勤，杨赟秀，等.基于独立成分分析的三维点云配准算法[J].激光与光电子学进展，2019，56（1）：181-189.
[2]PERSAD R A, ARMENAKIS C. Automatic co-registration of 3D multisensor point clouds[J].ISPRS Journal of Photogrammetry and Remote Sensing,2017,130:162-186.
[3]ZHANG Z, XU H L, YIN H. A fast point cloud registration algorithm based on key point selection[J].Laser&Optoelectronics Progress,2017,54(12):121002.
[4]QUAN S W, MA J, HU F Y,et al.Local voxelized structure for 3D binary feature representation and robust registration of point clouds from low-cost sensors[J].Information Sciences,2018,444:153-171.
[5]CHANKI Y, DA J. A maximum feasible subsystem for globally optimal 3D point cloud registration[J].Sensors,2018,18(2):544-553.
[6]宇超群，门葆红，王鑫.海量点云数据分布式并行处理技术综述[J].信息工程大学学报，2018，19（5）：612-615.
[7]达飞鹏.点云数据处理与三维重构研究[D].南京：东南大学，2015.
[8]赵传，张保明，余东行，等.利用迁移学习的机载激光雷达点云分类[J].光学精密工程，2019，27（07）：1601-1612.
[9]MUELLER C A, BIRK A. Visual object categorization based on hierarchical shape motifs learned from noisy point cloud decompositions[J].Journal of Intelligent and Robotic Systems,2019,1:1-26.
[10]杨稳，周明全，耿国华，等.层次优化的颅骨点云配准[J].光学精密工程，2019，27（12）：2730-2739.
[11]王雅男，王挺峰，田玉珍，等.基于改进的局部表面凸性算法三维点云分割[J].中国光学，2017，10（3）：348-354.
[12]POLAT N, UYSAL M. Investigating performance of airborne LiDAR data filtering algorithms for DTM generation[J].Measurement,2015,63:61-68.
[13]徐少平，林珍玉，李崇禧，等.采用训练策略实现的快速噪声水平估计[J].中国图象图形学报，2019，24（11）：1882-1892.
[14]XU Z, FOI A. Anisotropic denoising of 3D point clouds by aggregation of multiple surface-adaptive estimates[J].IEEE transactions on visualization and computer graphics,2019,99(12):1-10.
[15]赵凯，徐友春，李永乐，等.基于VG-DBSCAN算法的大场景散乱点云去噪[J].光学学报，2018，38（10）：370-375.
[16]ESMEIDE L, GERMAN S T, JOHN B B W,et al.A saliency-based sparse representation method for point cloud simplification[J].Sensors,2021,21(13):4279-4289.
[17]陈鑫龙，马荣贵，梁红涛，等.基于法向量距离的路面坑槽提取方法[J].计算机系统应用，2022，31（5）：222-229.
[18]WANG G L, WU L S, HU Y,et al.Point cloud simplification algorithm based on the feature of adaptive curvature entropy[J].Measurement Science and Technology,2021,32(6):12-19.
[19]ZHANG K, QIAO S Q, WANG X H,et al.Feature-preserved point cloud simplification based on natural quadric shape models[J].Applied Sciences,2019,9(10):2130-2137.
[20]HEGDE S, GANGISETTY S. Inception based deep learning architecture for 3D point cloud segmentation[J].Computers&Graphics,2021,95:13-22.
[21]WEIR D J, MILROY M J, BEADL E C,et al.Reverse engineering physical models employing wrap-around B-Spline surlaces and quadrics[J].Proceedings of the institution of mechanical engineers,1996,21(22):147-157.
[22]MARTINR R R, STROUD I A, AMARSHALL A D. A data reduction for reverse engineering[J].Proceedings of the 7th confcrence on information gcometers,1997,15(5):85-100.
[23]林松，田林亚，毕继鑫，等.基于最优邻域局部熵的点云精简算法[J].测绘工程，2021，30（5）：12-17.
[24]李金涛，程效军，杨泽鑫，等.基于曲率分级的点云数据精简方法[J].激光与光电子学进展，2019，56（14）：248-255.
[25]李大军，苟国华，吴天辰，等.结构信息约束的三角网格模型简化方法[J].测绘科学，2021，46（8）：88-95.
[26]LI M L, NAN L L L. Feature-preserving 3D mesh simplification for urban buildings[J].ISPRS Journal of Photogrammetry and Remote Sensing,2021,173:135-150.
[27]LIANG Y Q, HE F Z, ZENG X T.3D mesh simplification with feature preservation based on ahale pptimization algorithm and differential evolution[J].Integrated Computer-Aided Engineering,2020,27(4):417-435.
[28]CHEN N, LU X J. A novel point cloud simplification method with integration of multiple-feature fusion and density uniformity[J].Measurement Science and Technology,2021,32(12):99-109.
[29]LV C L, LIN W S, ZHAO B Q. Approximate Intrinsic Voxel Structure for Point Cloud Simplification[J].IEEE transactions on image processing:a publication of the IEEE Signal Processing Society,2021,30:7241-7255.
[30]张雨禾，耿国华，魏潇然，等.保留几何特征的散乱点云简化算法[J].计算机辅助设计与图形学学报，2016，28（9）：1420-1427.
[31]LI J W, ZHANG J W, ZHOU T,et al.Point cloud registration and localization based on voxel plane features[J].ISPRS Journal of Photogrammetry and Remote Sensing,2022,188:363-379.
[32]CHANKI Y, DA J. A maximum feasible subsystem for globally optimal 3D point cloud registration[J].Sensors,2018,18(2):544-553.
[33]VINCENT G, DEREK B, ARNAUD G,et al.A constrained singular value decomposition method that integrates sparsity and orthogonality[J].PloS one,2019,14(3):32-45.
[34]CHEN S, NAN L, XIA R,et al.PLADE:A plane-based descriptor for point cloud registration with small overlap[J].IEEE Transactions on Geoscience and Remote Sensing,2019,58(4):2530-2540.
[35]李思远，刘瑾，杨海马，等.分两阶段变换坐标的点云粗配准算法[J].激光与光电子学进展，2022，59（16）：127-134.
[36]ZHANG Y H, CUI H H, ZHAI P,et al.An aircraft skin registration method based on contour feature constraints[J].Journal of Optics,2021,41(3):0312001.
[37]LI C X, YANG S H, SHI L,et al.PTRNet:Global feature and local feature encoding for point cloud registration[J].Applied Sciences,2022,12(3):1741-1750.
[38]MAGNUSSON M, LIENTHAL A, DUCHETT T. Scan registration for autonomous mining vehicles using 3D-NDT[J].Journal of Field Robotics,2007,24(10):803-827.
[39]杨宜林，李积英，王燕，等.基于NDT和特征点检测的点云配准算法研究[J].激光与光电子学进展，2022，59（8）：198-204.
[40]袁志聪，鲁铁定，刘瑞.一种基于BFGS修正的正态分布变换点云配准方法[J].测绘通报，2020（10）：38-42.
[41]LIU D Z, ZHANG Y, LUO L,et al.PDC-Net:Robust point cloud registration using deep cyclic neural network combined with PCA[J].Applied optics,2021,60(11):2990-2997.
[42]SIMONE F, GIORGIO S D. A termination criterion for probabilistic point clouds registration[J].Signals,2021,2(2):159-173.
[43]BESL P J, MCKAY N D. A method for registration of 3-Dshapes[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1992,14(2):239-256.
[44]KIM H, SONG S, MYUNG H. GP-ICP:Ground plane ICP for mobile robots[J].IEEE Access,2019,7:76599-76610.
[45]CHEN H, ZHANG X, DU S,et al.A correntropy-based affine iterative closest point algorithm for robust point set registration[J].IEEE Journal of Automatica Sinica,2019,6(4):981-991.
[46]ZHENG L, LI Z. Virtual namesake point multi-source point cloud data fusion based on FPFH feature difference[J].Sensors,2021,21(16):5441-5455.
[47]JUNIOR E M O, SANTOS D R, MIOLA G A R. A new variant of the ICP algorithm for pairwise 3D point cloud registration[J].American Academic Scientific Research Journal for Engineering,Technology,and Sciences,2022,85(1):71-88.
[48]赵夫群，贾一婷.基于几何属性和改进ICP的点云配准方法[J].信息技术，2019，43（4）：33-38.
[49]李梦吉，韩燮.基于图卷积的计算机辅助设计模型分类[J].科学技术与工程，2020，20（13）：5235-5239.
[50]JIA Y, ZHE J. A review of deep learning-based semantic segmentation for point cloud[J].IEEE Access,2019,12:1-10.
[51]司梦元，韩达光，郭杰明，等.基于三维激光扫描点云的道路路面变形分析方法[J].科学技术与工程，2019，19（24）：386-391.
[52]陈向阳，杨洋，向云飞.欧氏聚类算法支持下的点云数据分割[J].测绘通报，2017，11:27-31，36.
[53]代璐，汪俊亮，陈治宇，等.基于卷积神经网络的非等效点云分割方法[J].东华大学学报（自然科学版），2019，45（6）：862-868.
[54]张坤，乔世权，周万珍.基于三维形状匹配的点云分割[J].激光与光电子学进展，2018，55（12）：263-274.
[55]李仁忠，刘哲闻.一种新的结合三维点云骨架点和特征点的分割方法[J].激光与光电子学进展，2019，11（9）：1-14.
[56]傅欢，梁力，王飞，等.采用局部凸性和八叉树的点云分割算法[J].西安交通大学学报，2012，46（10）：60-65.
[57]周炳南，闵华松，康雅文.PCL环境下的3D点云分割算法研究[J].微电子学与计算机，2018，35（6）：101-105.
[58]钱建国，张宇琦，汤圣君，等.最小割与深度学习联合优化的室内粘连点云分割方法[J].测绘通报，2022（9）：45-51.
[59]SCHNABEL R, WAHL R, KLEIN R. Efficient RANSAC for point cloud shape detection[J].Computer Graphics Forum,2007,26(2):214-226.
[60]BIOSCA M, LERMA L. Unsupervised robust planar segmentation of terrestrial laser scanner point clouds based on fuzzy clustering methods[J].ISPRS Journal of Photogrammetry&Remote Sensing,2008,63(1):84-98.
[61]WU Z, SHOU R, WANG Y,et al.Interactive shape co-segmentation via label propagation [J].Computers Graphics,2014,38:248-254.
[62]VO A V, LINH T H, LAEFER D F,et al.Octree-based region growing for point cloud segmentation[J].ISPRS Journal of Photogrammetry and Remote Sensing,2015,104:88-100.
[63]KRIZHECSKY A, SUTSKENER I, HINTON G E,et al.ImageNet classification with deep convolutional neural networks[J].Communications of the ACM,2017,60(6):84-90.
[64]吕科，施泽南，李一鹏.微型无人机视觉定位与环境建模研究[J].电子科技大学学报，2017，46（3）：543-548.
[65]赵薇，靳聪，涂中文，等.基于多特征融合的SVM声学场景分类算法研究[J].北京理工大学学报（自然科学版），2020，40（1）：69-75.
[66]赵清杰，王浩，刘浩，等.基于相对编辑相似度的近似重复视频检索和定位[J].北京理工大学学报（自然科学版），2018，38（1）：85-90.
[67]ZOU K S, II W H, CHEN A Q,et al.A novel 3D model retrieval approach using combined shape distribution[J].Multimadia tools and application,2014,69(3):799-818.
[68]LIU A A, NIE W Z, GAO Y,et al.Multi-modal clique-graph matching for view-based 3D model retrieval [J].IEEE Transaction on Image Processing,2016,25(5):2103-2116.
[69]ZHAO S, YAO H, ZHANG Y,et al.View-based 3D object retrieval via multimodal graph learning [J].Signal Processing,2015,112:110-118.
[70]MALIGO A, LACROIX S. Classification of outdoor 3D LiDAR data based on unsupervised gaussian mixture models[J].IEEE Transactions on Automation Science and Engineering,2017,14(1):5-16.
[71]YOON S M, SCHRECK T, YOON G J. Sparse coding based feature optimisation for robust 3D object retrieval[J].Sensors,2017,17(1):72-85.