㈠ 點雲數據處理
三維計算視覺研究內容包括：
（1）三維匹配：兩幀或者多幀點雲數據之間的匹配，因為激光掃描光束受物體遮擋的原因，不可能通過一次掃描完成對整個物體的三維點雲的獲取。因此需要從不同的位置和角度對物體進行掃描。三維匹配的目的就是把相鄰掃描的點雲數據拼接在一起。三維匹配重點關注匹配演算法，常用的演算法有 最近點迭代演算法 ICP 和各種全局匹配演算法。
（2）多視圖三維重建：計算機視覺中多視圖一般利用圖像信息，考慮多視幾何的一些約束，相關研究目前很火，射影幾何和多視圖幾何是視覺方法的基礎。在攝影測量中類似的存在共線方程，光束平差法等研究。這里也將點雲的多視匹配放在這里，比如人體的三維重建，點雲的多視重建不僅強調逐幀的匹配，還需要考慮不同角度觀測產生誤差累積，因此也存在一個優化或者平差的過程在裡面。通常是通過觀測形成閉環進行整體平差實現，多視圖重建強調整體優化。可以只使用圖像，或者點雲，也可以兩者結合（深度圖像）實現。重建的結果通常是Mesh網格。
（3）3D SLAM：點雲匹配（最近點迭代演算法 ICP、正態分布變換方法 NDT）+位姿圖優化（ g2o 、LUM、ELCH、Toro、SPA）；實時3D SLAM演算法 （LOAM）；Kalman濾波方法。3D SLAM通常產生3D點雲，或者Octree Map。基於視覺（單目、雙目、魚眼相機、深度相機）方法的SLAM，比如orbSLAM，lsdSLAM...
（4）目標識別：無人駕駛汽車中基於激光數據檢測場景中的行人、汽車、自行車、以及道路和道路附屬設施（行道樹、路燈、斑馬線等）。
（5）形狀檢測與分類：點雲技術在逆向工程中有很普遍的應用。構建大量的幾何模型之後，如何有效的管理，檢索是一個很困難的問題。需要對點雲（Mesh）模型進行特徵描述，分類。根據模型的特徵信息進行模型的檢索。同時包括如何從場景中檢索某類特定的物體，這類方法關注的重點是模型。
（6）語義分類：獲取場景點雲之後，如何有效的利用點雲信息，如何理解點雲場景的內容，進行點雲的分類很有必要，需要為每個點雲進行Labeling。可以分為基於點的方法，基於分割的分類方法。從方法上可以分為基於監督分類的技術或者非監督分類技術，深度學習也是一個很有希望應用的技術。
（7）立體視覺與立體匹配 ZNCC
（8）SFM（運動恢復結構）
1、點雲濾波方法（數據預處理）：
雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機采樣一致性濾波。
VoxelGrid
2、關鍵點
ISS3D、Harris3D、NARF
SIFT3D、
3、特徵和特徵描述
法線和曲率計算 NormalEstimation 、特徵值分析Eigen-Analysis、 EGI
PFH、FPFH、3D Shape Context、Spin Image
4、 點雲匹配
ICP 、穩健ICP、point to plane ICP、Point to line ICP、MBICP、GICP
NDT 3D 、Multil-Layer NDT
FPCS、KFPCS、SAC-IA
Line Segment Matching 、ICL
5、點雲分割與分類
分割：區域生長、Ransac線面提取、NDT-RANSAC、
K-Means、Normalize Cut（Context based）
3D Hough Transform(線、面提取)、連通分析、
分類：基於點的分類，基於分割的分類；監督分類與非監督分類
6、SLAM圖優化
g2o 、LUM、ELCH、Toro、SPA
SLAM方法：ICP、MBICP、IDC、likehood Field、 Cross Correlation 、NDT
7、目標識別、檢索
Hausdorff 距離計算（人臉識別）
8、變化檢測
基於八叉樹的變化檢測
9. 三維重建
泊松重建、Delaunay triangulations
表面重建，人體重建，建築物重建，樹木重建。
實時重建：重建植被或者農作物的4D（3D+時間）生長態勢；人體姿勢識別；表情識別；
10.點雲數據管理
點雲壓縮，點雲索引（KD、Octree），點雲LOD（金字塔），海量點雲的渲染
點雲驅動的計算機圖形學主要研究應用
http://vcc.szu.e.cn/research/2015/Points/
㈡ 三維點雲數據多大
三維點雲數據的大小主要取決於點數、精度和應用場景。
1. 數據量影響因素
每個三維點通常包含坐標（XYZ）、顏色（RGB）或反射強度等屬性。普通場景如手機掃描的物體模型，約幾十萬到百萬級點雲（幾十MB到幾百MB），而自動駕駛或地理測繪的激光雷達數據可能達到數千萬點（數GB）。
例如，100萬個點存儲為XYZ+RGB的文本格式約佔300MB，但若用LAS等壓縮格式，可縮減至約100MB。
2. 不同場景的典型規模
•手機掃描建模：單物體約10萬至50萬點（50MB~200MB）；
•工業部件檢測：高精度部件可達百萬點級（500MB~1GB）；
•自動駕駛感知：單幀雷達數據約10萬點（30MB/秒，實時生成）；
•文化遺產重建：大型遺址掃描可能上億點（數十GB）。
3. 優化與管理建議
降低數據量可通過過濾冗餘點、採用二進制壓縮格式（如PLY、LAS），或按需選擇精度。部分雲端平台支持實時流式處理，適合高頻採集但存儲有限的情況。
數據規模差異直接影響存儲成本和傳輸效率，例如自動駕駛企業常使用邊緣計算設備預處理點雲，再上傳關鍵特徵數據。