激光线结构光扫描仪得到的三维点云数据具有冗余性，本文设计实现了一种基于两阶非均匀划分的点云精简算法对机车走行部数据进行处理。首先，根据内在形状特征算法估计出检测对象的点云法矢，并提取出点云特征点；其次，根据特征点云的分布对点云进行第一次非均匀划分，得到不均匀的初始点云块；最后，将划分后的各点云块映射到不同的高斯球中进行进一步细分，在高斯球面上进行均值漂移聚类，提取出每个聚类簇在实际三维空间中的重心，重心的集合即为精简结果。实验证明了方法的有效性，相比于现有的方法，本文中的方法在保证精度的前提下能够达到很高的精简率和运算效率，更契合机车自动化在线检测的需要。

由于三维扫描设备采集的点云数据庞大,本文提出了一种特征保持的点云精简方法以在减少冗余数据的同时更好地保持原始曲面的几何特征。首先,利用K均值聚类法在空间域对点云全局聚类,对点云构建K-d树并以K-d树的部分节点作为初始化聚类中心。然后,用主成分分析法估计点云法矢和候选特征点,遍历每个聚类,若类中包含特征点则将该类细分为多个子类,细分时将聚类映射到高斯球。最后,基于自适应均值漂移法对高斯球上的数据进行分类,高斯球上的聚类结果对应为空间聚类细分结果,各聚类中心的集合为精简结果。以多个实物模型为例验证了算法的有效性。结果表明,本文方法精简的点云在平坦区域保留少数点,在高曲率区域保留更多的点。相比于非均匀网格、层次聚类、K均值点云精简法,该方法对包含尖锐特征的曲面精简误差最小,更好地保留了原始曲面的几何特征。