针对汽车仪表盘内凹六边形卡槽尺寸检测中存在人工检测速度慢、精度差等问题, 提出一种基于点云数据密度提取的内凹多边形自动化测量方法。首先使用双目结构光扫描的方式, 获取零件表面的点云原始数据; 使用KD-tree建立点云拓扑关系并进行半径滤波; 利用贪婪算法重建网格曲面; 最后采用基平面偏置与密度提取融合, 实现点云的边缘特征点和噪点分类, 提取内凹多边形孔径特征, 并计算其尺寸。选用带有内凹六边形特征的弧形汽车仪表盘零件为试验工件进行算法验证。试验结果表明, 该算法可以有效提取特征且内部特征尺寸测量精度为60 μm; 相较于传统测量方法, 单个内凹六边形测量时间可缩短至1 s, 能够实现内凹型不规则工件的自动化快速尺寸测量。

针对已有的三维圆形孔洞识别算法提取精度差、边缘点提取不完整等问题，提出一种基于点云法线与投影融合的三维圆孔识别的算法。首先利用KD-tree建立点云空间拓扑关系；其次使用近邻算法（KNN）搜索距离点最近的k个邻域点，通过定义距离阈值确定大于阈值的点为边界点；最后采用点云法线与投影融合，实现点云边缘的特征点和噪声点区分，并提取点云数据的三维圆孔特征。以带有圆形孔洞的栅极件为试验工件进行算法验证，试验结果表明，该算法能够有效实现点云边缘提取以及三维圆孔识别。

针对带状序列无人机影像自检校空中三角测量时存在相机参数误差累积过大的问题, 提出一种分类自检校(CSC)方法。该方法首先根据影像的GPS位置信息建立KD树, 并利用K-Means进行自分类; 然后对每类影像分别进行自检校光束法平差, 将自检校得到的多组相机参数进行加权平均; 最后进行全局自检校光束法平差。多组实验表明, CSC方法与室内检校场检校参数的像点畸变不符值均方根误差为0.5像素, 检查点点位均方根误差为10.1 cm, 且较Smart3D, VisualSFM和COLMAP软件能更精确地表示数据的原始姿态。综上, CSC方法可为带状区域无人机影像自检校空中三角测量提供一种有效的方案, 具有较强的实践应用价值。

点云数据量十分庞大,合理地精简点云数据是点云数据处理的重要研究内容。针对传统点云精简算法存在的细节缺失、空洞等问题,提出一种基于多参数k-means聚类的自适应点云精简算法。该方法基于KD-Tree创建点云k邻域,结合曲面拟合对点云数据进行曲率和法向特征计算,运用多参数混合特征提取方法对点云特征及边界进行检测并保留;并由KD-Tree索引确定初始化聚类簇心,进行k-means聚类,聚类结果根据最大曲率偏差作细分精简。将本文算法、曲率采样法、均匀网格法与随机精简法分别应用于不同类型的点云模型中进行实验,结果表明,本文算法在复杂模型下的标准偏差均优于后三者,且可以较好地保留点云的细节特征信息,精简效果与模型完整性优于均匀网格法与曲率采样法。

为了有效提取地面点云并提高运算效率,提出了一种结合统计滤波与密度聚类的矿山地面点云提取算法。首先,基于高效的KD-tree索引算法与统计特征思想进行统计特征的改进,并分析非地面点的空间分布特性;其次,结合二维特征密度空间的分布特性对密度空间进行聚类并分别提取地面点;最后,对各密度空间的提取结果进行求交,即可得到有效地面点。该方法的算法复杂度为o(n2)。实验表明:该算法具有较高的提取精度和效率;经测试,当近邻点为36时效果最好,总误差为0.00770,均方差为0.019633;同时,对510519个点的提取时间少于27 s,约为传统方法耗时的1/7。此外选择了大面积矿山点云对该算法的普适性进行了验证。

三维散乱点云数据具有不均匀性，局部点云密度的不断变化会对点云分割提取等处理造成影响，针对这一问题，提出考虑局部点云密度的建筑立面自适应分割方法，在介绍局部点云密度的基础上，设计了自适应分割的流程和算法，通过实验验证了考虑局部点云密度的方法能够较好的对建筑立面进行分割。

采空区传统监测方法存在观测数据量少、无法或难以监测无人空区、不能定量观测空区垮落等缺点。采空区三维激光扫描仪可以有效、全面地扫描采空区的三维形态，但是由于矿山现场粉尘、水汽及仪器本身等的影响，获取的点云存在着各种噪声，并且由于现场地面可能会发生变形，前后两次扫描的点云并不能够完全重叠，这为点云的后续利用带来很大麻烦。为此，根据采空区点云的实际情况，提出了基于KD Tree的点云去噪方法和基于点云特征的配准方法，实验表明该方法可以有效地去除点云中存在的噪声及对点云进行配准，为后续的点云利用提供了数据基础。