CN110555826B - 一种基于局部离群因子的三维点云特征提取方法 - Google Patents

Abstract

本发明属于三维点云数据处理与三维场景重建技术领域，一种基于局部离群因子的三维点云特征提取方法，包括以下步骤：(1)获取规则化三维点云数据，(2)提取线点云数据，(3)计算线点云参数，(4)估算线点云的切向量和曲率，(5)提取线点云中的位置不连续点，(6)提取线点云中的切向不连续点，(7)获取三维点云特征点。本发明通过将规则化三维点云数据分解为线点云数据，并对四组线点云中的位置不连续点与切向不连续点进行提取，最后合并完成整个三维点云的特征提取，本发明方法简单且有效。

Description

一种基于局部离群因子的三维点云特征提取方法

技术领域

本发明涉及一种基于局部离群因子的三维点云特征提取方法，属于三维点云数据处理与三维场景重建技术领域。

背景技术

伴随着计算机图形学与三维扫描技术的快速发展，三维点云数据也愈加频繁地出现在我们的生活与工作中，并且在建筑、机械、医学等领域都获得了广泛关注。有关点云数据的处理技术作为实现上述应用的基础，发挥着重要的作用，成为了国内外学者研究的热点。三维点云数据处理技术主要包括多视配准、去噪与压缩、特征提取、分割技术与曲面重建等。其中，三维点云数据的特征提取作为点云数据处理中的一项关键技术，是区域分割、曲面重建等后续工作的基础，影响着三点云数据的应用效果。因此，研究如何从三维点云数据中准确地提取出特征点，对于提高三维点云数据的应用水平具有重要的意义。

在三维点云数据采集过程中，通过三维扫描测距仪器对物体表面进行测量，所得到的数据一般会存在许多的几何不连续处，通常表现为离散点的形式，称之为几何不连续点。几何不连续点可分为三类：位置不连续点、切向不连续点和曲率不连续点。这些几何不连续点包含着物体表面重要的几何信息和拓扑信息，是我们特征提取的主要对象。三维点云数据的特征提取就是指从目标点云数据中提取出能够表示物体特征的几何不连续点。

近年来，关于三维点云数据的特征提取方法主要可以分为两类，一类方法是通过估算切向量、曲率等几何特性直接从三维点云数据中提取出特征点；而另一类方法则是对点云数据进行三角形网格建模，通过三角形网格模型的几何信息和拓扑信息来提取其上的特征点和边。本发明是在线点云几何特性估算的基础上进行特征提取的。本发明根据离散切线的定义，用有约束最优化问题的求解方法，计算给定点的离散切线，利用离散切线的斜率来计算离散导数，并通过离散导数来估算给定点的几何特性。在计算出线点云的几何特性后，本发明充分分析了弦长、单位切向量的角度变化和曲率在几何不连续点处的行为变化，通过对弦长与曲率使用局部离群因子算法，提取出点云数据中的位置不连续点和切向不连续点。

发明内容

为了解决现有技术中存在的不足，本发明目的是提供一种基于局部离群因子的三维点云特征提取方法。该方法针对实际场景，首先利用三维激光扫描测距仪，扫描场景物体，获取场景物体的规则化三维点云数据，按照水平、竖直、斜下和斜上四个排列方向提取出四组线点云数据，对线点云数据进行参数化处理，结合离散导数和普通参数化曲线的几何特性，估算线点云的弦长、单位切向量和曲率，分别以线点云弦长和曲率为研究对象，计算其局部离群因子，利用箱线图分析，提取位置不连续点和切向不连续点，合并四组所有线点云的位置不连续点和切向不连续点，获取整个三维点云的特征点。该方法分析线点云的几何特性在几何不连续点处的行为特征，结合局部离群因子算法，通过提取弦长与曲率中的极值点，来提取出位置不连续点和切向不连续点，特征提取准确可靠。

为了实现上述发明目的，解决现有技术中所存在的问题，本发明采取的技术方案是：一种基于局部离群因子的三维点云特征提取方法，包括以下步骤：

步骤1、获取规则化三维点云数据，利用三维激光扫描测距仪，扫描场景物体，获取场景物体的规则化三维点云数据，其是一组分布在物体表面、按照矩形网格规则排列的离散点；

步骤2、提取线点云数据，按照水平、竖直、斜下和斜上四个排列方向，从规则化三维点云数据中提取四组线点云数据：水平线点云、竖直线点云、斜下线点云和斜上线点云，每一条线点云表示为P＝{p_i＝(x_i,y_i,z_i)|1≤i≤n}，其中p_i＝(x_i,y_i,z_i)为线点云P上的离散点，i为离散点的序号，n为离散点的个数；

步骤3、计算线点云参数，利用累积弦长参数化的方法，计算线点云P中每个离散点p_i的累积弦长参数t_i，按公式(1)进行描述，

参数t_i∈S与离散点p_i＝(x_i,y_i,z_i)∈P形成了一一映射的关系α_d:S→P，对于每一个参数t_i∈S都有一个离散点p_i＝(x_i,y_i,z_i)∈P与之对应，表示为p_i＝α_d(t_i)＝(x_d(t_i),y_d(t_i),z_d(t_i))，t_i∈S，其中，S＝{t_i|1≤i≤n}为参数集合，x_i＝x_d(t_i)、y_i＝y_d(t_i)和z_i＝z_d(t_i)为参数t_i的离散函数，因此，将离散点p_i＝(x_i,y_i,z_i)表示为参数t_i的离散矢量函数，即p_i＝α_d(t_i)＝(x_d(t_i),y_d(t_i),z_d(t_i))，t_i∈S＝{t_i|1≤i≤n}；

步骤4、估算线点云的切向量和曲率，利用导数估算和经典微分几何，估算线点云中每个离散点处的切向量和曲率，具体包括以下子步骤：

(a)、根据连续函数导数的定义，分别估算离散函数x_i＝x_d(t_i)、y_i＝y_d(t_i)和z_i＝z_d(t_i)在t_i处的导数，按照公式(2)、公式(3)和公式(4)进行计算，

其中，x′_i＝x′_d(t_i)为离散函数x_i＝x_d(t_i)在t_i处的导数，y′_i＝y′_d(t_i)为离散函数y_i＝y_d(t_i)在t_i处的导数，z′_i＝z′_d(t_i)为离散函数z_i＝z_d(t_i)在t_i处的导数，m为邻域半径，则离散矢量函数p_i＝α_d(t_i)＝(x_d(t_i),y_d(t_i),z_d(t_i))在t_i处的导数为，

p′_i＝α′_d(t_i)＝(x′_d(t_i),y′_d(t_i),z′_d(t_i)) (5)

其中，p′_i＝α′_d(t_i)又简称为离散导数；

(b)、根据经典微分几何理论，普通参数化曲线α(t)＝(x(t),y(t),z(t))的单位切向量t(t)和曲率κ(t)分别计算为，

其中，α′(t)为α(t)的连续导数，t′(t)为t(t)的连续导数，利用几何特性公式(6)和公式(7)，将连续导数替换为离散导数，估算线点云α_d(t_i)在t_i处的单位切向量t_d(t_i)和曲率κ_d(t_i)为，

其中，t′_d(t_i)利用与公式(2)、公式(3)和公式(4)相同的方法求出，同时，计算线点云α_d(t_i)在t_i处的弦长c_d(t_i)为，

c_d(t₁)＝0，c_d(t_i)＝|p_i-p_i-1|，2≤i≤n (10)

令c_i＝c_d(t_i)、t_i＝t_d(t_i)和κ_i＝κ_d(t_i)，分别表示线点云α_d(t_i)在t_i处的弦长、单位切向量和曲率；

步骤5、提取线点云中位置不连续点，以线点云弦长为研究对象，计算其局部离群因子，利用箱线图分析，提取位置不连续点，具体包括以下子步骤：

(a)、以线点云弦长{c_i|1≤i≤n}为研究对象数据集，对于其中某一给定元素c_i，计算其第k距离，即数据集{c_i|1≤i≤n}中距离c_i第k远的元素到c_i的距离，表示为d_k(c_i)；

(b)、计算元素c_i的第k距离邻域N_k(c_i)，即数据集{c_i|1≤i≤n}中与c_i之间的距离小于等于第k距离d_k(c_i)的所有元素的集合；

(c)、对于数据集{c_i|1≤i≤n}中任一元素c_j，其到c_i的第k可达距离计算为

dr_k(c_i,c_j)＝max{d_k(c_j),d(c_i,c_j)} (11)

其中，d_k(c_j)为元素c_j的第k距离，d(c_i,c_j)为元素c_i与元素c_j之间的距离；

(d)、计算元素c_i的可达密度为

其中，|N_k(c_i)|为c_i第k距离邻域内元素的个数；

(e)、计算元素c_i的局部离群因子，局部离群因子表示集合中元素的离群程度，是元素c_i的第k距离领域N_k(c_i)内其他元素的局部可达密度与元素c_i的局部可达密度之比的平均数，元素c_i的局部离群因子LOF_k(c_i)按照公式(13)进行计算，

若LOF_k(c_i)值越大于1，说明元素c_i的密度小于领域内其它元素的密度，c_i越可能是离群元素；

(f)、利用步骤5子步骤(a)～(e)，计算数据集{c_i|1≤i≤n}中所有元素的局部离群因子，利用箱线图方法对局部离群因子进行统计分析，得到5个统计量：下限min、下四分位数Q1、中位数Q2、上四分位数Q3和上限max，其中，四分位距IQR＝Q3-Q1，下限min＝Q1-1.5×IQR，上限max＝Q3+1.5×IQR，将局部离群因子的阈值设置为max，若某个元素的局部离群因子大于阈值，则该元素对应的离散点为线点云中的位置不连续点；

步骤6、提取线点云中切向不连续点，以步骤5中提取的位置不连续点为分界点，将线点云P分成几个位置连续的片段，针对每一片段线点云，以线点云曲率为研究对象，利用与步骤5子步骤(a)～(f)相同的方法，计算曲率数据集中所有元素的局部离群因子，提取每一片段线点云中的切向不连续点；

步骤7、提取三维点云特征点，针对于每一条水平线点云、垂直线点云、斜下线点云和斜上线点云，利用步骤3～6，提取其位置不连续点和切向不连续点，利用逻辑运算‘或’的方法，合并所有线点云的位置不连续点和切向不连续点，获取整个三维点云的特征点。

本发明有益效果是：一种基于局部离群因子的三维点云特征提取方法，包括以下步骤：(1)获取规则化三维点云数据，(2)提取线点云数据，(3)计算线点云参数，(4)估算线点云的切向量和曲率，(5)提取线点云中位置不连续点，(6)提取线点云中的切向不连续点，(7)获取三维点云特征点。与已有技术相比，本发明具有以下优点：一是，本发明根据线点云的几何特性在几何不连续点处的行为特征，引入局部离群因子算法，以弦长和曲率为研究对象，赋予每个数据一个局部离群因子，评估数据的离群程度，再结合箱线图分析，使得离群点提取的阈值设定有统一的衡量标准，并且通过合理地提高阈值可降低噪声的影响，从而提高特征点提取的精度；二是，本发明通过将规则化三维点云数据分解为线点云数据，并对四组线点云中的位置不连续点与切向不连续点进行提取，最后合并完成整个三维点云的特征提取，方法简单且有效。

附图说明

图1是本发明方法步骤流程图。

图2是线点云提取示意图。

图中：(a)室内场景三维点云显示图，(b)局部点云放大及四个方向线点云提取示意图。

图3是线点云中位置不连续点提取结果图。

图4是线点云中切向不连续点提取结果图。

图中：(a)线点云片段1切向不连续点提取结果图，(b)线点云片段2切向不连续点提取结果图。

图5是四个方向线点云的位置不连续点和切向不连续点提取结果图。

图中：(a)水平线点云特征提取结果图，(b)竖直线点云特征提取结果图，(c)斜上线点云特征提取结果图，(d)斜下线点云特征提取结果图。

图6是三维点云特征点提取结果图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，一种基于局部离群因子的三维点云特征提取方法，包括以下步骤：

步骤1、获取规则化三维点云数据，利用三维激光扫描测距仪，扫描场景物体，获取场景物体的规则化三维点云数据，其是一组分布在物体表面、按照矩形网格规则排列的离散点；

步骤2、提取线点云数据，按照水平、竖直、斜下和斜上四个排列方向，从规则化三维点云数据中提取四组线点云数据：水平线点云、竖直线点云、斜下线点云和斜上线点云，每一条线点云表示为P＝{p_i＝(x_i,y_i,z_i)|1≤i≤n}，其中p_i＝(x_i,y_i,z_i)为线点云P上的离散点，i为离散点的序号，n为离散点的个数，如图2所示；

步骤3、计算线点云参数，利用累积弦长参数化的方法，计算线点云P中每个离散点p_i的累积弦长参数t_i，按公式(1)进行描述，

参数t_i∈S与离散点p_i＝(x_i,y_i,z_i)∈P形成了一一映射的关系α_d:S→P，对于每一个参数t_i∈S都有一个离散点p_i＝(x_i,y_i,z_i)∈P与之对应，表示为p_i＝α_d(t_i)＝(x_d(t_i),y_d(t_i),z_d(t_i))，t_i∈S，其中，S＝{t_i|1≤i≤n}为参数集合，x_i＝x_d(t_i)、y_i＝y_d(t_i)和z_i＝z_d(t_i)为参数t_i的离散函数，因此，将离散点p_i＝(x_i,y_i,z_i)表示为参数t_i的离散矢量函数，即p_i＝α_d(t_i)＝(x_d(t_i),y_d(t_i),z_d(t_i))，t_i∈S＝{t_i|1≤i≤n}；

步骤4、估算线点云的切向量和曲率，利用导数估算和经典微分几何，估算线点云中每个离散点处的切向量和曲率，具体包括以下子步骤：

(a)、根据连续函数导数的定义，分别估算离散函数x_i＝x_d(t_i)、y_i＝y_d(t_i)和z_i＝z_d(t_i)在t_i处的导数，按照公式(2)、公式(3)和公式(4)进行计算，

其中，x′_i＝x′_d(t_i)为离散函数x_i＝x_d(t_i)在t_i处的导数，y′_i＝y′_d(t_i)为离散函数y_i＝y_d(t_i)在t_i处的导数，z′_i＝z′_d(t_i)为离散函数z_i＝z_d(t_i)在t_i处的导数，m为邻域半径，则离散矢量函数p_i＝α_d(t_i)＝(x_d(t_i),y_d(t_i),z_d(t_i))在t_i处的导数为，

p′_i＝α′_d(t_i)＝(x′_d(t_i),y′_d(t_i),z′_d(t_i)) (5)

其中，p′_i＝α′_d(t_i)又简称为离散导数；

(b)、根据经典微分几何理论，普通参数化曲线α(t)＝(x(t),y(t),z(t))的单位切向量t(t)和曲率κ(t)分别计算为，

其中，α′(t)为α(t)的连续导数，t′(t)为t(t)的连续导数，利用几何特性公式(6)和公式(7)，将连续导数替换为离散导数，估算线点云α_d(t_i)在t_i处的单位切向量t_d(t_i)和曲率κ_d(t_i)为，

其中，t′_d(t_i)利用与公式(2)、公式(3)和公式(4)相同的方法求出，同时，计算线点云α_d(t_i)在t_i处的弦长c_d(t_i)为，

c_d(t₁)＝0，c_d(t_i)＝|p_i-p_i-1|，2≤i≤n (10)

令c_i＝c_d(t_i)、t_i＝t_d(t_i)和κ_i＝κ_d(t_i)，分别表示线点云α_d(t_i)在t_i处的弦长、单位切向量和曲率；

步骤5、提取线点云中位置不连续点，以线点云弦长为研究对象，计算其局部离群因子，利用箱线图分析，提取位置不连续点，具体包括以下子步骤：

(a)、以线点云弦长{c_i|1≤i≤n}为研究对象数据集，对于其中某一给定元素c_i，计算其第k距离，即数据集{c_i|1≤i≤n}中距离c_i第k远的元素到c_i的距离，表示为d_k(c_i)；

(b)、计算元素c_i的第k距离邻域N_k(c_i)，即数据集{c_i|1≤i≤n}中与c_i之间的距离小于等于第k距离d_k(c_i)的所有元素的集合；

(c)、对于数据集{c_i|1≤i≤n}中任一元素c_j，其到c_i的第k可达距离计算为

dr_k(c_i,c_j)＝max{d_k(c_j),d(c_i,c_j)} (11)

其中，d_k(c_j)为元素c_j的第k距离，d(c_i,c_j)为元素c_i与元素c_j之间的距离；

(d)、计算元素c_i的可达密度为

其中，|N_k(c_i)|为c_i第k距离邻域内元素的个数；

(e)、计算元素c_i的局部离群因子，局部离群因子表示集合中元素的离群程度，是元素c_i的第k距离领域N_k(c_i)内其他元素的局部可达密度与元素c_i的局部可达密度之比的平均数，元素c_i的局部离群因子LOF_k(c_i)按照公式(13)进行计算，

若LOF_k(c_i)值越大于1，说明元素c_i的密度小于领域内其它元素的密度，c_i越可能是离群元素；

(f)、利用步骤5子步骤(a)～(e)，计算数据集{c_i|1≤i≤n}中所有元素的局部离群因子，利用箱线图方法对局部离群因子进行统计分析，得到5个统计量：下限min、下四分位数Q1、中位数Q2、上四分位数Q3和上限max，其中，四分位距IQR＝Q3-Q1，下限min＝Q1-1.5×IQR，上限max＝Q3+1.5×IQR，将局部离群因子的阈值设置为max，若某个元素的局部离群因子大于阈值，则该元素对应的离散点为线点云中的位置不连续点，如图3所示；

步骤6、提取线点云中切向不连续点，以步骤5中提取的位置不连续点为分界点，将线点云P分成几个位置连续的片段，针对每一片段线点云，以线点云曲率为研究对象，利用与步骤5子步骤(a)～(f)相同的方法，计算曲率数据集中所有元素的局部离群因子，提取每一片段线点云中的切向不连续点，如图4所示；

步骤7、提取三维点云特征点，图5是一个办公室场景的三维点云数据，针对于每一条水平线点云、垂直线点云、斜下线点云和斜上线点云，利用步骤3～6，提取其位置不连续点和切向不连续点，结果如图5所示，利用逻辑运算‘或’的方法，合并所有线点云的位置不连续点和切向不连续点，获取整个三维点云的特征点，如图6所示。

本发明优点在于：一是，本发明根据线点云的几何特性在几何不连续点处的行为特征，引入局部离群因子算法，以弦长和曲率为研究对象，赋予每个数据一个局部离群因子，评估数据的离群程度，再结合箱线图分析，使得离群点提取的阈值设定有统一的衡量标准，并且通过合理地提高阈值可降低噪声的影响，从而提高特征点提取的精度；二是，本发明通过将规则化三维点云数据分解为线点云数据，并对四组线点云中的位置不连续点与切向不连续点进行提取，最后合并完成整个三维点云的特征提取，方法简单且有效。

Claims (1)

1.一种基于局部离群因子的三维点云特征提取方法，其特征在于包括以下步骤：

步骤1、获取规则化三维点云数据，利用三维激光扫描测距仪，扫描场景物体，获取场景物体的规则化三维点云数据，其是一组分布在物体表面、按照矩形网格规则排列的离散点；

步骤2、提取线点云数据，按照水平、竖直、斜下和斜上四个排列方向，从规则化三维点云数据中提取四组线点云数据：水平线点云、竖直线点云、斜下线点云和斜上线点云，每一条线点云表示为P＝{p_i＝(x_i,y_i,z_i)|1≤i≤n}，其中p_i＝(x_i,y_i,z_i)为线点云P上的离散点，i为离散点的序号，n为离散点的个数；

步骤3、计算线点云参数，利用累积弦长参数化的方法，计算线点云P中每个离散点p_i的累积弦长参数t_i，按公式(1)进行描述，

参数t_i∈S与离散点p_i＝(x_i,y_i,z_i)∈P形成了一一映射的关系α_d:S→P，对于每一个参数t_i∈S都有一个离散点p_i＝(x_i,y_i,z_i)∈P与之对应，表示为p_i＝α_d(t_i)＝(x_d(t_i),y_d(t_i),z_d(t_i))，t_i∈S，其中，S＝{t_i|1≤i≤n}为参数集合，x_i＝x_d(t_i)、y_i＝y_d(t_i)和z_i＝z_d(t_i)为参数t_i的离散函数，因此，将离散点p_i＝(x_i,y_i,z_i)表示为参数t_i的离散矢量函数，即p_i＝α_d(t_i)＝(x_d(t_i),y_d(t_i),z_d(t_i))，t_i∈S＝{t_i|1≤i≤n}；

步骤4、估算线点云的切向量和曲率，利用导数估算和经典微分几何，估算线点云中每个离散点处的切向量和曲率，具体包括以下子步骤：

(a)、根据连续函数导数的定义，分别估算离散函数x_i＝x_d(t_i)、y_i＝y_d(t_i)和z_i＝z_d(t_i)在t_i处的导数，按照公式(2)、公式(3)和公式(4)进行计算，

其中，x′_i＝x′_d(t_i)为离散函数x_i＝x_d(t_i)在t_i处的导数，y′_i＝y′_d(t_i)为离散函数y_i＝y_d(t_i)在t_i处的导数，z′_i＝z′_d(t_i)为离散函数z_i＝z_d(t_i)在t_i处的导数，m为邻域半径，则离散矢量函数p_i＝α_d(t_i)＝(x_d(t_i),y_d(t_i),z_d(t_i))在t_i处的导数为，

p′_i＝α′_d(t_i)＝(x′_d(t_i),y′_d(t_i),z′_d(t_i)) (5)

其中，p′_i＝α′_d(t_i)又简称为离散导数；

(b)、根据经典微分几何理论，普通参数化曲线α(t)＝(x(t),y(t),z(t))的单位切向量t(t)和曲率κ(t)分别计算为，

其中，α′(t)为α(t)的连续导数，t′(t)为t(t)的连续导数，利用几何特性公式(6)和公式(7)，将连续导数替换为离散导数，估算线点云α_d(t_i)在t_i处的单位切向量t_d(t_i)和曲率κ_d(t_i)为，

其中，t′_d(t_i)利用与公式(2)、公式(3)和公式(4)相同的方法求出，同时，计算线点云α_d(t_i)在t_i处的弦长c_d(t_i)为，

c_d(t₁)＝0，c_d(t_i)＝|p_i-p_i-1|，2≤i≤n (10)

令c_i＝c_d(t_i)、t_i＝t_d(t_i)和κ_i＝κ_d(t_i)，分别表示线点云α_d(t_i)在t_i处的弦长、单位切向量和曲率；

步骤5、提取线点云中位置不连续点，以线点云弦长为研究对象，计算其局部离群因子，利用箱线图分析，提取位置不连续点，具体包括以下子步骤：

(a)、以线点云弦长{c_i|1≤i≤n}为研究对象数据集，对于其中某一给定元素c_i，计算其第k距离，即数据集{c_i|1≤i≤n}中距离c_i第k远的元素到c_i的距离，表示为d_k(c_i)；

(b)、计算元素c_i的第k距离邻域N_k(c_i)，即数据集{c_i|1≤i≤n}中与c_i之间的距离小于等于第k距离d_k(c_i)的所有元素的集合；

(c)、对于数据集{c_i|1≤i≤n}中任一元素c_j，其到c_i的第k可达距离计算为

dr_k(c_i,c_j)＝max{d_k(c_j),d(c_i,c_j)} (11)

其中，d_k(c_j)为元素c_j的第k距离，d(c_i,c_j)为元素c_i与元素c_j之间的距离；

(d)、计算元素c_i的可达密度为

其中，|N_k(c_i)|为c_i第k距离邻域内元素的个数；

(e)、计算元素c_i的局部离群因子，局部离群因子表示集合中元素的离群程度，是元素c_i的第k距离领域N_k(c_i)内其他元素的局部可达密度与元素c_i的局部可达密度之比的平均数，元素c_i的局部离群因子LOF_k(c_i)按照公式(13)进行计算，

若LOF_k(c_i)值越大于1，说明元素c_i的密度小于领域内其它元素的密度，c_i越可能是离群元素；

(f)、利用步骤5子步骤(a)～(e)，计算数据集{c_i|1≤i≤n}中所有元素的局部离群因子，利用箱线图方法对局部离群因子进行统计分析，得到5个统计量：下限min、下四分位数Q1、中位数Q2、上四分位数Q3和上限max，其中，四分位距IQR＝Q3-Q1，下限min＝Q1-1.5×IQR，上限max＝Q3+1.5×IQR，将局部离群因子的阈值设置为max，若某个元素的局部离群因子大于阈值，则该元素对应的离散点为线点云中的位置不连续点；

步骤6、提取线点云中切向不连续点，以步骤5中提取的位置不连续点为分界点，将线点云P分成几个位置连续的片段，针对每一片段线点云，以线点云曲率为研究对象，利用与步骤5子步骤(a)～(f)相同的方法，计算曲率数据集中所有元素的局部离群因子，提取每一片段线点云中的切向不连续点；

步骤7、提取三维点云特征点，针对于每一条水平线点云、垂直线点云、斜下线点云和斜上线点云，利用步骤3～6，提取其位置不连续点和切向不连续点，利用逻辑运算‘或’的方法，合并所有线点云的位置不连续点和切向不连续点，获取整个三维点云的特征点。

Images