点云数据特征检测和配准技术是当前的研究热点。本文围绕点云数据的特征检测和配准问题,主要研究了建筑物Li DAR点云数据边缘特征点的检测、建筑物水平和垂直边缘提取、点云配准等问题。主要工作如下:1、实现了对点云数据kd-tree的管理,研究了建树和搜索k近邻点的效率。为建立各数据点之间拓扑邻近关系,本文首先用二分法建立kd-tree,并实现了三维点云数据k邻域搜索。研究了数据量与建树时间以及数据量与k近邻搜索效率之间的关系。研究表明,随着数据量的增加,建树时间和搜索k近邻点的时间,均呈线性增长关系。2、提出一种基于多结构估计的建筑物点云数据水平和垂直边缘提取算法。在切割最小二乘平面算法检测边缘特征点基础上,用多结构估计算法进行历史模型信息条件采样,迭代搜索边缘的直线方程,在此基础上采用直线寻优算法,以点到直线的距离为尺度,统计小于阈值的点数,选择点数最多的为最优直线,并记录所包含的特征点。为了检测同一直线上不同的目标线段,在对同一直线上的点排序基础上,利用点间距与阈值的比较来寻找同一线段上的点,最后实现窗户边缘特征线的完整提取。实验表明:多结构算法在寻找最优直线的速度和效率,最优直线所含内点的能力方面,优于传统随机采样法。3、实现了建筑物边缘特征点的匹配。本文将建筑物边缘离散特征点集的配准问题转化成概率密度估计问题,按照模型点集大于数据点集的要求,将基准的点云定义为数据点集,将待搜索的点云定义为模型点集。建筑物点云配准过程,即为求解数据点集到模型点集的转换参数的过程。本文设计了高斯混合模型似然函数作为匹配的目标函数,并通过EM算法交叉迭代出三维点云数据的转换参数,从而实现建筑物边缘特征点的整体匹配。在此基础上研究了模型点集中的随机噪声对匹配的影响,并得到有益结论。