1、三維點(diǎn)云數(shù)據(jù)具有獲取速度快、實(shí)時(shí)性強(qiáng)、點(diǎn)位精度高、全數(shù)字特征等特點(diǎn)，是三維空間信息一種重要的數(shù)據(jù)來(lái)源。但是，由于點(diǎn)云的數(shù)據(jù)量巨大、離散性差、邊緣點(diǎn)精度低以及含有噪聲等諸多問(wèn)題，使得目前點(diǎn)云數(shù)據(jù)處理尤其是點(diǎn)云分割很大程度上依賴(lài)于人工輔助，并且其分割結(jié)果的精度也會(huì)受到人為因素的影響。
　　傳統(tǒng)的點(diǎn)云分割算法存在的不足，主要表現(xiàn)在三個(gè)方面:一是算法無(wú)法滿足大場(chǎng)景三維點(diǎn)云分割的需求;二是自動(dòng)化程度較低，多為人工輔助或者人工輔助的半自動(dòng)化分

2、割;三是算法只能夠?qū)崿F(xiàn)部分規(guī)則物體的分割與提取，對(duì)曲面的分割提取較少。本文從建筑物結(jié)構(gòu)的自身特點(diǎn)出發(fā)，通過(guò)點(diǎn)云粗分割與細(xì)分割兩個(gè)部分對(duì)室內(nèi)SLAM（Simultaneous Localization And Mapping，同步定位與制圖）點(diǎn)云實(shí)現(xiàn)精細(xì)化分割。
　　研究工作和內(nèi)容具體包括以下幾點(diǎn):
　　(1)室內(nèi)SLAM點(diǎn)云數(shù)據(jù)的預(yù)處理
　　針對(duì)室內(nèi)SLAM點(diǎn)云數(shù)據(jù)的數(shù)據(jù)量大，離散性強(qiáng)且包含噪聲等因素。在對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行

3、處理前，需要對(duì)其進(jìn)行預(yù)處理操作。本文基于KD樹(shù)先對(duì)三維點(diǎn)云數(shù)據(jù)構(gòu)建空間數(shù)據(jù)索引，提高三維點(diǎn)云鄰域搜索效率。通過(guò)對(duì)點(diǎn)云進(jìn)行簡(jiǎn)化處理，減少點(diǎn)云的數(shù)據(jù)量。最后采取稀疏離群點(diǎn)移除的方法去除點(diǎn)云離散點(diǎn)，降低點(diǎn)云噪聲。
　　(2)三維點(diǎn)云數(shù)據(jù)的聚類(lèi)分割
　　為提高聚類(lèi)分割算法的效率和自動(dòng)化程度，本文以FDBSCAN算法為基礎(chǔ)，通過(guò)改進(jìn)代表點(diǎn)的選取方式，來(lái)提高FDBSCAN算法效率。同時(shí)，結(jié)合鄰域半徑￡參數(shù)的自動(dòng)化估計(jì)算法以及簇類(lèi)合并算法

4、，實(shí)現(xiàn)對(duì)室內(nèi)SLAM點(diǎn)云的快速自動(dòng)化分割。
　　(3)點(diǎn)云數(shù)據(jù)的精細(xì)化分割
　　本文先采用基于顏色的區(qū)域生長(zhǎng)分割算法對(duì)粗分割過(guò)程中在同一聚類(lèi)中的不同物體進(jìn)行分割;再通過(guò)全景影像分割獲取室內(nèi)點(diǎn)云的幾何結(jié)構(gòu)信息，并對(duì)相應(yīng)的點(diǎn)云數(shù)據(jù)進(jìn)行標(biāo)記，通過(guò)點(diǎn)云匹配將該幾何結(jié)構(gòu)信息標(biāo)記到待分割點(diǎn)云數(shù)據(jù)中;最后根據(jù)標(biāo)記的幾何結(jié)構(gòu)信息設(shè)定RANSAC算法模型，從而實(shí)現(xiàn)對(duì)待分割點(diǎn)云數(shù)據(jù)的精細(xì)化分割。
　　(4)實(shí)驗(yàn)驗(yàn)證與分析
　　最后以