㈠ 点云数据处理
三维计算视觉研究内容包括：
（1）三维匹配：两帧或者多帧点云数据之间的匹配，因为激光扫描光束受物体遮挡的原因，不可能通过一次扫描完成对整个物体的三维点云的获取。因此需要从不同的位置和角度对物体进行扫描。三维匹配的目的就是把相邻扫描的点云数据拼接在一起。三维匹配重点关注匹配算法，常用的算法有 最近点迭代算法 ICP 和各种全局匹配算法。
（2）多视图三维重建：计算机视觉中多视图一般利用图像信息，考虑多视几何的一些约束，相关研究目前很火，射影几何和多视图几何是视觉方法的基础。在摄影测量中类似的存在共线方程，光束平差法等研究。这里也将点云的多视匹配放在这里，比如人体的三维重建，点云的多视重建不仅强调逐帧的匹配，还需要考虑不同角度观测产生误差累积，因此也存在一个优化或者平差的过程在里面。通常是通过观测形成闭环进行整体平差实现，多视图重建强调整体优化。可以只使用图像，或者点云，也可以两者结合（深度图像）实现。重建的结果通常是Mesh网格。
（3）3D SLAM：点云匹配（最近点迭代算法 ICP、正态分布变换方法 NDT）+位姿图优化（ g2o 、LUM、ELCH、Toro、SPA）；实时3D SLAM算法 （LOAM）；Kalman滤波方法。3D SLAM通常产生3D点云，或者Octree Map。基于视觉（单目、双目、鱼眼相机、深度相机）方法的SLAM，比如orbSLAM，lsdSLAM...
（4）目标识别：无人驾驶汽车中基于激光数据检测场景中的行人、汽车、自行车、以及道路和道路附属设施（行道树、路灯、斑马线等）。
（5）形状检测与分类：点云技术在逆向工程中有很普遍的应用。构建大量的几何模型之后，如何有效的管理，检索是一个很困难的问题。需要对点云（Mesh）模型进行特征描述，分类。根据模型的特征信息进行模型的检索。同时包括如何从场景中检索某类特定的物体，这类方法关注的重点是模型。
（6）语义分类：获取场景点云之后，如何有效的利用点云信息，如何理解点云场景的内容，进行点云的分类很有必要，需要为每个点云进行Labeling。可以分为基于点的方法，基于分割的分类方法。从方法上可以分为基于监督分类的技术或者非监督分类技术，深度学习也是一个很有希望应用的技术。
（7）立体视觉与立体匹配 ZNCC
（8）SFM（运动恢复结构）
1、点云滤波方法（数据预处理）：
双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波。
VoxelGrid
2、关键点
ISS3D、Harris3D、NARF
SIFT3D、
3、特征和特征描述
法线和曲率计算 NormalEstimation 、特征值分析Eigen-Analysis、 EGI
PFH、FPFH、3D Shape Context、Spin Image
4、 点云匹配
ICP 、稳健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、点云分割与分类
分割：区域生长、Ransac线面提取、NDT-RANSAC、
K-Means、Normalize Cut（Context based）
3D Hough Transform(线、面提取)、连通分析、
分类：基于点的分类，基于分割的分类；监督分类与非监督分类
6、SLAM图优化
g2o 、LUM、ELCH、Toro、SPA
SLAM方法：ICP、MBICP、IDC、likehood Field、 Cross Correlation 、NDT
7、目标识别、检索
Hausdorff 距离计算（人脸识别）
8、变化检测
基于八叉树的变化检测
9. 三维重建
泊松重建、Delaunay triangulations
表面重建，人体重建，建筑物重建，树木重建。
实时重建：重建植被或者农作物的4D（3D+时间）生长态势；人体姿势识别；表情识别；
10.点云数据管理
点云压缩，点云索引（KD、Octree），点云LOD（金字塔），海量点云的渲染
点云驱动的计算机图形学主要研究应用
http://vcc.szu.e.cn/research/2015/Points/
㈡ 三维点云数据多大
三维点云数据的大小主要取决于点数、精度和应用场景。
1. 数据量影响因素
每个三维点通常包含坐标（XYZ）、颜色（RGB）或反射强度等属性。普通场景如手机扫描的物体模型，约几十万到百万级点云（几十MB到几百MB），而自动驾驶或地理测绘的激光雷达数据可能达到数千万点（数GB）。
例如，100万个点存储为XYZ+RGB的文本格式约占300MB，但若用LAS等压缩格式，可缩减至约100MB。
2. 不同场景的典型规模
•手机扫描建模：单物体约10万至50万点（50MB~200MB）；
•工业部件检测：高精度部件可达百万点级（500MB~1GB）；
•自动驾驶感知：单帧雷达数据约10万点（30MB/秒，实时生成）；
•文化遗产重建：大型遗址扫描可能上亿点（数十GB）。
3. 优化与管理建议
降低数据量可通过过滤冗余点、采用二进制压缩格式（如PLY、LAS），或按需选择精度。部分云端平台支持实时流式处理，适合高频采集但存储有限的情况。
数据规模差异直接影响存储成本和传输效率，例如自动驾驶企业常使用边缘计算设备预处理点云，再上传关键特征数据。