由于三维扫描技术在数据处理方面拥有巨大的优势，所以已经有很多学者对点云数据的处理展开了较为深入的研究。其中，国外比较早就开始对三维扫描点云方面进行研究，尤其是在三维重建和点云数据的处理方面，对点云数据处理的流程也都提出了比较完善的方法。国内的研究虽然比国外起步要晚一些，但是同样也取得了一些研究成果，在点云数据处理的各个阶段提出许多先进的方法和实现途径[2]，其中点云特征提取和点云分割是目前研究的两个重要方向。82940

1  点云特征提取的研究现状

在三维点云数据中，三维物体表面一般都有能够体现物体表面形状特征且在几何上不连续性的区域，如角点、脊线、拐点、棱线等，这些点统称为几何不连续点。

近年来，国内外研究学者提出了许多有关于三维点云数据的特征识别[3]和提取方法[4]。其中，一类方法是先把数据按照网格来划分，建立三角形或别的类型的网格模型，然后再利用网格模型的几何拓扑信息，如法向量、曲率、梯度等，来识别几何特征点[5]；另一类方式是直接通过几何拓扑信息来计算点云数据集合中的几何不连续点，虽然这类算法能够简化算法过程，但是运算速度比较慢；此外，还能运用统计学的观点，选取比如各点之间的几何关系（距离、角度、法线方向关系等）、各点的曲率分布等这些具有区分能力的统计特征，通过构建扩展高斯图或者特征的直方图等直观的识别。例如，Tangelder使用包含三维模型的法向量变化率和高斯曲率等特征的集合作为直方图的统计量[6]和Mokhtarian将顶点的曲率作为直方图的统计量[7]。论文网

2  点云分割的研究现状

A。Hoover等人对点云分割作了一个简单定义，通过点云的分割，可以将拥有相同特性的点云分到相同的子区域，但是受到一些客观因素的影响，点云数据中往往存在着无关数据和一些不连续的数据[8]。

目前已有的点云分割算法主要有三类：第一类是基于投影图像灰度连续性，它利用点云投影生成的深度图像或者融合光谱颜色信息，根据不同目标的反射率不同和反射强度的不同来划定阈值进行目标分类和图像分割。

    第二类是利用几何空间的拓扑连续性的不同，把点之间的几何关系作为判断条件，我们将法向突变点或是不连续点等设置成边界点，来进行分割，但是噪声对这类算法影响很大；将有相似几何属性的局部区域划分为同一区域，从而归为基于区域生长的算法；还有就是中和这两种思想的混合算法，改善单一算法计算不精确，效率不高的情况。Besl等人从每个点的曲率入手，从八种局部表面类型之中选择一种作为标志，经过初始分割，再运用二次曲面拟合，从而得到结果[9]。Hoffman的方法基于模式聚类的思想，把每一个三维点云数据中的点看作是一个六维向量，实现了分割。

第三类基于特征聚类分析的，通过把法向量、坐标、曲率等的组合或者是其中的一个量化为向量，将类之间的距离作为判断条件将局部的数据聚为一类进行分割[10]。