1、三維點云數據具有獲取速度快、實時性強、點位精度高、全數字特征等特點，是三維空間信息一種重要的數據來源。但是，由于點云的數據量巨大、離散性差、邊緣點精度低以及含有噪聲等諸多問題，使得目前點云數據處理尤其是點云分割很大程度上依賴于人工輔助，并且其分割結果的精度也會受到人為因素的影響。
　　傳統(tǒng)的點云分割算法存在的不足，主要表現在三個方面:一是算法無法滿足大場景三維點云分割的需求;二是自動化程度較低，多為人工輔助或者人工輔助的半自動化分

2、割;三是算法只能夠實現部分規(guī)則物體的分割與提取，對曲面的分割提取較少。本文從建筑物結構的自身特點出發(fā)，通過點云粗分割與細分割兩個部分對室內SLAM（Simultaneous Localization And Mapping，同步定位與制圖）點云實現精細化分割。
　　研究工作和內容具體包括以下幾點:
　　(1)室內SLAM點云數據的預處理
　　針對室內SLAM點云數據的數據量大，離散性強且包含噪聲等因素。在對點云數據進行

3、處理前，需要對其進行預處理操作。本文基于KD樹先對三維點云數據構建空間數據索引，提高三維點云鄰域搜索效率。通過對點云進行簡化處理，減少點云的數據量。最后采取稀疏離群點移除的方法去除點云離散點，降低點云噪聲。
　　(2)三維點云數據的聚類分割
　　為提高聚類分割算法的效率和自動化程度，本文以FDBSCAN算法為基礎，通過改進代表點的選取方式，來提高FDBSCAN算法效率。同時，結合鄰域半徑￡參數的自動化估計算法以及簇類合并算法

4、，實現對室內SLAM點云的快速自動化分割。
　　(3)點云數據的精細化分割
　　本文先采用基于顏色的區(qū)域生長分割算法對粗分割過程中在同一聚類中的不同物體進行分割;再通過全景影像分割獲取室內點云的幾何結構信息，并對相應的點云數據進行標記，通過點云匹配將該幾何結構信息標記到待分割點云數據中;最后根據標記的幾何結構信息設定RANSAC算法模型，從而實現對待分割點云數據的精細化分割。
　　(4)實驗驗證與分析
　　最后以