三维点云模型以离散采样点为基元,数据结构简单,能够表达任意复杂细节,在逆向工程、虚拟现实、文物保护等领域得到广泛应用。但是,利用扫描设备采集的三维点云数据往往含有噪声、采样不均匀、数据缺失、特征丢失等缺陷,因此,为了提高三维点云的质量,对点云后处理关键技术的研究与改进,具有重要的研究意义。使用三维激光扫描设备对工厂等大型复杂建筑进行数据采集时,受扫描设备自身的物理限制(如:采样距离、精度)以及数据采集现场的环境影响,需要在多个测量点分别采集数据,以获取目标对象的较完整的三维点云数据。现有点云处理算法通常以较少的采样点数量及特征、较小的空间尺寸的点云模型为研究对象,很难直接推广和应用于较大规模的点云模型。本文针对大场景点云数据处理的需求,研究了适用于大场景点云模型的简化、目标自动提取、点云重采样、骨骼抽取等主要技术。本文的主要工作和贡献归纳为以下几个方面:(1)大场景的点云简化方法针对大场景点云数据的空间范围大、点云密度分布不均匀、特征多样、数据冗余严重等问题,提出了一种大场景的点云简化方法。首先从点云索引构建和相邻点快速查找的需求出发,根据点云模型的空间大小、点云数量和邻域信息,估算最优空间划分栅格尺寸,基于局部点云分布密度,优化空间搜索方向,提高相邻点的动态搜索速度;然后基于法向量差、投影距离和空间距离,定义采样点的特征参数,将采样点分类为特征点和非特征点,以特征点作为点云的分割依据,将点云分成不同的特征区域,最后根据区域的几何特征和局部熵,动态调整区域简化策略,实现了大场景点云的自适应简化。实验表明,该方法避免了传统算法中追求简化率但细节丢失严重或者注重保留特征但简化率较低的缺点,点云模型的简化率和特征保持率达到了较好的平衡性,并且具有较快的简化速度。(2)特征保持的点云重采样提出了一种特征保持的点云重采样方法。首先估算点云中采样点的初始法向量,利用高斯映射将点云划分为特征点和非特征点;基于法向量权重和投影距离权重定义了一种各向异性的法向量估算法,重新计算特征点的法向量;基于法向量权重和密度权重的投影运算,使得投影点集在平滑区域均匀分布;针对特征区域的插值运算,保证了新插入点沿着特征区域均匀分布并且紧贴着采样表面。实验结果表明,该方法在提高特征区域的点云法向量精度的基础上,使用各向异性的重采样方法,不仅能够获得分布相对均匀、特征保持的点云,而且具有较好的空洞修复效果。(3)鲁棒的点云骨骼提取提出了一种鲁棒的曲线骨骼提取算法。首先根据采样点间的可视度将点云分割成“弱”强凸面区域,通过形状直径函数计算区域相似度,融合可能归属于同一语义形状的分片区域,得到连通的弱凸面集;然后根据弱凸面集点云信息,使用中值点法和局部最优切平面法生成候选骨骼点,并对候选骨骼点进行压缩、平滑和重定位;最后根据弱凸面集之间的连接信息,能够快速、准确地将各区域的骨骼分支相连,获得最终的曲线骨骼。与其他方法相比,该方法不仅能够直接处理包含多种几何形状的完整点云模型,而且能够从不完整点云模型中提取曲线骨骼,提取的曲线骨骼与原始点云模型的拓扑结构达到了较高的相似性,该方法具有较强的鲁棒性。(4)室内建筑大场景点云中目标自动提取针对室内建筑中墙体和圆柱体两种代表性物体,提出了大场景点云中目标自动提取方法。墙体自动提取时,因为原始数据不完整性,容易产生虚假墙体,针对此问题,本方法首先使用子块区域生长法,根据采样点的法向量信息、空间密度和子块特征,将点云模型快速划分为平面区域和非平面区域;针对平面区域,使用基于密度的RANSAC算法,提高不同密度的平面区域的平面检测结果;然后基于有向包围盒验证平面间关系,移除虚假墙体信息,填充不完整的真实墙体信息;最后基于一维均值漂移聚类算法、墙体法向和距离信息进行墙体融合,提取得到完整的墙体信息。圆柱体自动提取时,因其空间自由度高和采样不完整,往往只能检测到特定角度的部分圆柱体,针对此问题,本方法首先将点云分别向三个标准坐标平面进行投影,把三维空间中的圆柱体检测转换为二维平面中的圆弧检测;然后基于高斯映射检测点云中与标准坐标平面非垂直关系的圆柱体点云,通过迭代拟合获得与点云模型最匹配的圆柱体参数;最后基于均值漂移聚类算法融合分段圆柱体,获得完整的圆柱体信息。实验表明,本文方法不仅能够准确提取单层建筑的墙体信息,而且能够准确提取多层建筑的墙体信息;对于复杂场景中圆柱体提取,特别是不完整点云,本文方法不仅能够检测到更多的圆柱体数量,而且对不同直径的圆柱体提取具有较好的鲁棒性。