基于matlab对三维点云的法向量进行求取，并进行朝向统一。

学院——三维点云处理课程

由于激光点云数据的无序性、离散性、稀疏性，基于深度学习的三维点云数据的特征提取具有一定难度。针对目前局部信息提取不充分，区域信息的合并有限的问题，提出了一种基于层级边缘卷积的点云分类网络，用于三维视觉中点云模型识别任务。本文采用层级结构的思想，通过层级几何信息模块对特征进行有效提取和归纳。对于每个层级几何信息提取模块，首先对点云模型进行下采样并构建局部区域，对每个局部区域中点与点之间的距离和特征进行建模，获得局部区域的几何信息，最后聚合多个采样点的局部结构特征。实验结果表明，本算法在ModelNet40数据集上的识别准确率为91.5%。与已有的三维点云模型识别分类算法相比，本文算法能够更充分地提取局部信息，进一步提高三维点云模型分类的准确率

个人预实验记录，未设置动态调分，需要的朋友自取，注意文件替换以及文件内部思维。

针对三维点云数据重建效率低、不能实时交互等问题，利用鲁棒性强的Power Crust算法和三维可视化类库Visualization Toolkit(VTK)的良好并行机制与强大的图像处理能力，实现了三维点云数据曲面快速重建。该算法使用Power Crust对三维点云进行曲面重建，接着对得到的网格进行线性调整、简化和平滑，最后引入VTK进行渲染、绘制、显示，并实时交互。实验结果表明，该算法可以加快散乱点云数据的重建速度，较好地保持了点云数据的拓扑结构，提高了曲面重建的精确性和鲁棒性，且交互性强，适合实时处理。

三维点云处理经典数据集+斯坦福兔子PCD+PLY格式，也可以联系我白嫖。哈哈

三维点云数据，测试三维重构算法用的数据，云数据。。。

包含常见点云配准算法

ICP算法的C++源代码。迭代最近点法（Iterative Closest Points Algorithm）。基本思想是：根据某种几何特性对数据进行匹配，并设这些匹配点为假想的对应点，然后根据这种对应关系求解运动参数。再利用这些运动参数对数据进行变换。并利用同一几何特征，确定新的对应关系，重复上述过程。

传统随机抽样一致性（RANSAC）算法只能进行粗配准, 且配准效率低。针对该问题提出一种改进的RANSAC快速点云配准算法。该算法将内部形态描述子算法和快速点特征直方图(FPFH)算法相结合, 得到特征描述子, 然后采用预估计和三维栅格分割法改进RANSAC算法, 最后与传统配准算法采样一致性初始配准算法进行比较。实验结果表明, 本文算法能快速精确地剔除误匹配点, 进行仿射变换矩阵求解, 无需二次配准。本文算法相较于传统配准算法有很大优势, 在大规模三维点云配准中具有很好的稳健性, 并且在保证精度的同时可大幅提高配准效率。