随着传感器技术的不断发展，三维点云被广泛应用于自动驾驶、机器人、遥感、文物修复、增强现实、虚拟现实等领域的视觉任务中。然而，直接应用收集到的海量原始点云数据得到的效果不佳，因此，基于深度学习的点云处理方法受到了越来越多的关注和研究。本文综述了近6年来基于深度学习的三维点云处理方法的研究进展。首先给出了三维点云的基本概念和获取方式，简述了4种点云处理任务；然后针对点云去噪和滤波、点云压缩、点云超分辨率以及点云修复-补全-重建任务，重点阐述了相应的深度学习方法的原理，并分析了其优缺点；随后介绍了22种点云数据集和4类评价指标，同时给出了性能对比结果；最后探讨了点云处理方法目前存在的问题，并对未来的研究趋势进行了展望。

针对野外扫描原始点云中存在各种形态噪声点和大量冗余数据,提出一种基于方法库、布料模拟滤波和曲率分级等综合算法运用的点云精简优化策略。首先利用统计滤波去除远距离稀疏的噪声点,然后利用直通滤波分割出含有近距离大密度噪声点的点云块,利用布料模拟滤波算法去除这类噪声点,再利用半径滤波去除目标点云周围近距离的噪声点,最后基于曲率分级压缩方法实现对点云冗余数据的去除,并与两种传统的压缩方法进行实验对比分析。实验结果表明,所提的精简优化策略能有效去除点云中的噪声点,在保留点云大部分特征点的同时,能最大化减少点云数据的冗余量,提高了点云模型重建的数据质量。

通过三维激光扫描仪获取的原始点云数据量庞大,不利于后期的数据处理工作。现有的基于曲率值的点云压缩方法容易引起亚特征区域细节丢失的问题。针对这一问题,提出了一种基于曲率分级的点云数据压缩方法。该方法通过计算曲率反映点云数据中特征的分布情况,采用对数函数对归一化后的曲率值进行分级,对不同等级的点进行空间网格划分后根据点的曲率等级实现点云的分级压缩。实验结果表明,所提方法能在大幅度减少数据量的同时,较好地保留原始数据的细节特征,从而实现对点云数据的高效压缩。

针对大数据环境下,三维模型的传输和存储需求,提出了一种基于八叉树的三维点云有损压缩算法。该算法改进了八叉树分割的停止条件,可以在适当的深度停止分割并确保体素大小合适。同时在分割的基础上通过建立K邻域,利用简单有效的统计方法去除原始点云的离群点。在数据结构上,对每个节点分配位掩码,通过操纵位掩码,在遍历时对数据查询和操作,并优化随后的点位置编码。该算法可以有效地移除离群点和表面杂点,并在区间编码上提高了点云压缩效率。实验结果表明,该算法较完整地保留了三维点云数据的关键信息,取得了良好的压缩率并缩短了压缩时间。