通过阅读17篇点云处理的综述文章，可以全面了解三维点云处理的技术发展、了解其发展路线，包括点云物体检测、点云语义分割，深度学习在点云处理中的应用，自动驾驶中的点云处理等多个方面，便于刚刚接触点云方向不久的伙伴，进行合理的学习规划，也方便对自己的研究方向进行更好的分析与了解。

PCL点云库——欧式聚类分割https://blog.csdn.net/fei_12138/article/details/109718785中的麦粒数据

一篇关于利用无人机搭载相机生成点云数据测量树高的文章

该资源为博客《激光雷达点云与单幅图像配准/映射变为彩色点云》案例中的点云数据。

Points2Grid 通过OpenTopography设施（ ）运行的数千个作业得到了证明，Points2Grid是一个强大的可扩展工具，可以使用本地网格方法生成数字高程模型（DEM）。 局部网格化算法根据用户提供的半径，使用围绕每个网格单元定义的圆形邻域来计算网格单元高程。 此邻域称为bin，而网格单元称为DEM节点。 对于落在仓中的点，最多可以计算四个值（最小值，最大值，平均值或反距离加权（IDW）平均值）。 然后将这些值分配给相应的DEM节点，并用于表示该bin表示的邻域上的海拔变化。 如果在给定的bin中未找到任何点，则DEM节点将收到一个空值。 Points2Grid服务还提供了空值归档选项，该选项通过3、5或7个像素的方形移动窗口应用反距离加权焦点均值，以填充DEM中具有空值的像元。 如果LIDAR发射密度超过根据这些数据生成的网格的分辨率，Points2Grid所采用的

本文件规定了智能网联汽车激光雷达点云标注的基本内容、要求以及方法。 本文件适用于智能网联汽车激光雷达点云数据的标注。

以曲率图作为三维点云数据的特征描述函数，并运用曲率图实现了三维点云数据的配准．对于含有噪声的点云数据，先根据每个点的邻域特性估算其曲率值，然后根据每个点及其周围邻域点的曲率值构造该点的曲率图．通过在多比例空间下曲率图的特征保持分析，可提取到最能反映该点云数据特征的特征点集．对于两两配准，这些特征点集被用于三维点云数据的粗略配准算法中，该算法利用点云内部空间点相对位置在刚性变换下的不变特性实现了特征点对的匹配，由匹配的特征点对进行坐标变换求解，完成了两三维点云的粗略配准，然后运用迭代最近点算法进行精确配准．最后将整个配准算法应用于真实的三维点云数据，结果表明该算法能有效抑制点云采样密度及噪声的影响，能够快速实现点云数据的精确配准．

一段城市道路的车载激光点云las数据，包含路面、路灯、树木、建筑物、车辆等地物，可用作点云数据处理的实验数据。

ASTM 3D 成像格式的参考实现。 一种用于交换 3D（激光）成像数据的文件格式。 （这项工作没有得到 ASTM 的正式认可。）

一种基于车载激光雷达点云数据的堤坝自动提取方法，唐雪华，姚春静，本文以车载激光雷达点云数据为源数据，在分析点云滤波和堤坝横断面（剖面）空间几何分布特征的基础上，提出了一种基于多项式曲线