（1）3D匹配:兩幀或多幀點雲數據之間的匹配，由於激光掃描光束被物體阻擋，無法通過壹次掃描獲得整個物體的3D點雲。因此，有必要從不同的位置和角度掃描對象。三維匹配的目的是將相鄰的掃描點雲數據拼接在壹起。三維匹配側重於匹配算法，常用的算法包括最近點叠代算法ICP和各種全局匹配算法。
（2）多視圖三維重建:在計算機視覺中，多視圖壹般利用圖像信息並考慮多視圖幾何的壹些約束條件，相關研究目前非常熱門。射影幾何和多視圖幾何是視覺方法的基礎。在攝影測量中，也有類似的* *線方程和光束法平差。點雲的多視圖匹配也放在這裏，比如人體的三維重建。點雲的多視圖重建不僅強調逐幀匹配，還需要考慮不同角度觀測帶來的誤差積累，因此也有壹個優化或調整的過程。通常通過觀察並形成閉環進行整體調整來實現，多視圖重建強調整體優化。您可以僅使用圖像或點雲，或者兩者都使用（深度圖像）。重建的結果通常是網狀網格。
（3）3D SLAM:點雲匹配（最近點叠代算法ICP、正態分布變換方法NDT）+姿態圖優化（g2o、LUM、ELCH、Toro、SPA）；實時3D SLAM算法（LOAM）；卡爾曼濾波法。3D SLAM通常產生3D點雲，或八叉樹圖。SLAM基於視覺（單目、雙目、魚眼相機、深度相機）的方法，如orbSLAM、lsdSLAM。...
（4）目標識別:行人、汽車、自行車、道路及道路附屬設施（行道樹、路燈、斑馬線等。）是基於激光數據檢測的。
（5）形狀檢測和分類:點雲技術在逆向工程中應用廣泛。在構建了大量的幾何模型後，如何有效地管理和檢索它們是壹個非常困難的問題。點雲（網格）模型需要進行表征和分類。根據模型的特征信息檢索模型。同時，它包括如何從場景中檢索特定的對象，這種方法側重於模型。
（6）語義分類:在獲取場景的點雲後，需要通過如何有效利用點雲信息和如何理解點雲場景的內容來對點雲進行分類，並且需要對每個點雲進行標註。它可以分為基於點的方法和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無監督分類技術，深度學習也是壹種很有前景的技術。
（7）立體視覺和立體匹配？ZNCC
（8）SFM（運動恢復結構）
1、點雲過濾方法（數據預處理）:
雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機采樣壹致性濾波。
體網格
2.要點
ISS3D、Harris3D、NARF
SIFT3D、
3.功能和功能描述
法線和曲率計算法線估計，特征值分析特征分析，EGI。
PFH、FPFH、三維形狀背景、自旋圖像
4.點雲匹配
國際比較方案、穩健國際比較方案、點到面國際比較方案、點到線國際比較方案、MBICP、GICP。
三維無損檢測、多層無損檢測
FPCS、KFPCS、SAC-IA
線段匹配、ICL
5.點雲分割和分類
分割:區域生長、Ransac線和表面提取、NDT-RANSAC，
k均值、歸壹化切割（基於上下文）
3D霍夫變換（線和表面提取）、連通性分析，
分類:基於點的分類、基於分割的分類；監督分類和非監督分類
6.SLAM圖優化
g2o、LUM、ELCH、Toro、SPA
SLAM方法:ICP、MBICP、IDC、likehood Field、Cross？相關性、無損檢測
7.目標識別和檢索
豪斯多夫距離計算（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、德勞內三角測量
表面重建，人體重建，建築重建，樹木重建。
實時重建:重建植被或作物的4D（3D+時間）生長趨勢；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，八叉樹）、點雲LOD（金字塔）、海量點雲渲染。
點雲驅動的計算機圖形學的主要研究與應用
/research/2015/Points/