1、三維點云數(shù)據(jù)具有獲取速度快、實時性強、點位精度高、全數(shù)字特征等特點，是三維空間信息一種重要的數(shù)據(jù)來源。但是，由于點云的數(shù)據(jù)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(shù)據(jù)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(jié)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(xiàn)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?qū)崿F(xiàn)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(jié)構(gòu)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(nèi)SLAM（Simultaneous Localization And Mapping，同步定位與制圖）點云實現(xiàn)精細化分割。
　　研究工作和內(nèi)容具體包括以下幾點:
　　(1)室內(nèi)SLAM點云數(shù)據(jù)的預處理
　　針對室內(nèi)SLAM點云數(shù)據(jù)的數(shù)據(jù)量大，離散性強且包含噪聲等因素。在對點云數(shù)據(jù)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(shù)據(jù)構(gòu)建空間數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(jié)合鄰域半徑￡參數(shù)的自動化估計算法以及簇類合并算法

4、，實現(xiàn)對室內(nèi)SLAM點云的快速自動化分割。
　　(3)點云數(shù)據(jù)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(nèi)點云的幾何結(jié)構(gòu)信息，并對相應的點云數(shù)據(jù)進行標記，通過點云匹配將該幾何結(jié)構(gòu)信息標記到待分割點云數(shù)據(jù)中;最后根據(jù)標記的幾何結(jié)構(gòu)信息設定RANSAC算法模型，從而實現(xiàn)對待分割點云數(shù)據(jù)的精細化分割。
　　(4)實驗驗證與分析
　　最后以