三维点云数据有哪些应用

1. L1实时三维点云显示功能是在什么软件中实现的

NUBIGONPro。是一款专门为实景三维应用领域打造的点云视觉表现与场景动画制作应用系统，着力于协助专业的行业用户实现大批量点云数据高质量视觉效果渲染，轻松为点云叠加工程/工业领域三维矢量设计数据，以及高效炫酷的点云三维场景动画制作等专业级应用。

2. 基于激光点云的三维重建软件都有哪些优势劣势各是什么

三维激光扫描技术又被称为实景复制技术，是测绘领域继GPS技术之后的一次技术革命。它突破了传统的单点测量方法，具有高效率、高精度的独特优势.三维激光扫描技术能够提供扫描物体表面的三维点云数据，因此可以用于获取高精度高分辨率的数字地形模型。
技术原理
三维激光扫描技术是近年来出现的新技术，在国内越来越引起研究领域的关注。它是利用激光测距的原理，通过记录被测物体表面大量的密集的点的三维坐标、反射率和纹理等信息，可快速复建出被测目标的三维模型及线、面、体等各种图件数据。由于三维激光扫描系统可以密集地大量获取目标对象的数据点，因此相对于传统的单点测量，三维激光扫描技术也被称为从单点测量进化到面测量的革命性技术突破。该技术在文物古迹保护、建筑、规划、土木工程、工厂改造、室内设计、建筑监测、交通事故处理、法律证据收集、灾害评估、船舶设计、数字城市、军事分析等领域也有了很多的尝试、应用和探索。三维激光扫描系统包含数据采集的硬件部分和数据处理的部分。按照载体的不同，三维激光扫描系统又可分为机载、车载、地面和手持型几类。
应用扫描技术来测量工件的尺寸及形状等原理来工作。主要应用于逆向工程，负责曲面抄数，工件三维测量，针对现有三维实物（样品或模型）在没有技术文档的情况下，可快速测得物体的轮廓集合数据，并加以建构，编辑，修改生成通用输出格式的曲面数字化模型。

3. 三维数据分析有哪些好的方法与软件

三维数据处理软件都包含哪些模块

三维数据处理软件，一般包含三个模块：数据管理和处理，三维渲染，UI。 这与图形学的三个经典问题是相对应的：建模，渲染和交互。与一般常见的数据处理软件，比如图像视频处理，不同的是，这里的数据展示模块需要三维渲染。与之对应的UI操作，也变成了一些三维空间的变换，比如模型的旋转缩放等。

如何搭建一个简单的三维数据处理软件

那么如何快速的搭建一个三维数据处理软件呢？采用搭积木的方式，每个模块都有很多现成的开发包可以选择。比如UI模块处，一般常见的有MFC，QT，MyGUI（Magic3D使用的UI）等。数据处理算法方面，常见的有Geometry++，CGAL，OpenMesh，PCL等。渲染模块，可以使用OpenGL或者Direct3D，也可以使用渲染引擎，如OGRE，OSG等。

如何选择几何算法开发包

几何算法模块，一般有三种选择：自主开发，使用开源库，使用商业库。如何选择呢？开发包API的生命周期，大概分为开发，维护和升级。对于一个算法，几乎不可能开发出放之四海皆准的API。它的绝大部分时间都在维护和升级。开发包的选择，其实就是一个成本问题。开发阶段主要是时间成本，如何快速的实现目标功能是最关键的问题。维护和升级阶段需要尽量低的成本开销。所谓开源库免费，其实只是在开发阶段免费，而开发阶段最看重的却是时间成本。有了源代码就需要人去维护，没有人维护的源代码是没有用处的。商业库的主要优势就是有专业的团队来维护和升级这些API，并且成本会比个人做得更低。如果想清楚API的生命周期以及每个阶段的成本开销后，根据自身具体情况，就能很容易的做出选择了。

数字几何处理是什么

数字几何处理，一般是指点云网格数据的处理。和传统的NURBS正向建模的模型相比，数字几何处理的对象一般是三维扫描仪采集的数据，是曲面的离散表达，也就是数字化的。它的研究内容包括数据的获取，存储，表示，编辑，可视化等等。

OpenGL是什么

OpenGL是一套跨平台的图形绘制API，它通过一系列API把三维模型渲染到2D屏幕上。OpenGL采用了流水线机制，其绘制过程也称为渲染流水线。此外还有OpenGLES，主要用于嵌入式系统，或者移动平台；WebGL主要用于Web浏览器里的图形绘制。

OpenGL流水线

OpenGL通过一系列API可以设置渲染流水线的状态，所以OpenGL也是一个状态机。三维模型通过一些处理，最终渲染到2D屏幕上：

• 模型离散为三角面片：所有模型都需要离散为三角面片，OpenGL只接受三角面片输入。注意，虽然OpenGL也可以接受四边形，NURBS等输入，其本质最后都是三角面片的绘制。

• Vertex Shader把三维三角片转化到屏幕坐标系下的2D三角片：这个过程包含了变换，裁剪等操作

• 2D三角片的光栅化：2D三角片被离散化，用屏幕坐标系的像素来表示，这也叫光栅化。

• Pixel Shader为光栅化后的模型像素着色。

  上面是渲染流水线的大致描述，其中还有很多细节，不同的API也有些细节上的差别。最早的OpenGL是固定的流水线，也就是只能通过API来设置一些流水线中的状态。现代的OpenGL开放出了一些Shader，用户可以自己为Shader写代码，利用Shader可以写出各式各样的渲染效果。

  渲染模块使用OpenGL还是渲染引擎

  如果渲染模块不是主要业务，建议使用渲染引擎。因为引擎内有很多现成的工具可以使用，减少开发的时间成本。

4. 3d点云物体分类实际意义

通过3D点云语义分割技术将道路环境点云数据进行分割，可以识别出行人、汽车等物体，帮助车辆理解道路环境。目前达摩院将这项技术应用在无人物流车上，大幅度的提高了物流车对周围环境的理解，使得物流车配送更加准确。

5. CVPR 2020 论文阅读笔记（三维点云/三维重建）

论文地址： https://arxiv.org/abs/2003.00410
前置文章：10/16、10/17、10/18

本文提出了Point Fractal Network(PF-Net),旨在从不完整的点云数据中恢复点云，克服了之前方法修改现有数据点、引入噪声和产生几何损失的缺点。

由前置文章可知，之前的点云修复方法是输入不完整的点云，输出完整的点云，但这样会导致原有信息的缺失。这篇文章提出PF-Net，主要特点有三个：

网络的整体结构如下：

网络详细推理步骤如下：

损失函数使用完整性损失和对抗损失的加权平均，完整性损失使用L-GAN中提出的CD距离：

对抗损失使用GAN中常见的损失函数

感觉这篇文章对多尺度的运用非常极致，在编码器、解码器和CMLP中都应用了这种思想，最后的效果也非常不错，很值得借鉴。

论文地址： https://arxiv.org/abs/1612.00593

PointNet提出一种基础的网络结构，可以用于点云分类、部分分割和语义分割等多种任务。在这篇文章之前，点云数据的处理方式是将点云数据转换为多个二维的视图或三维的体素形式，然后应用2D/3D CNN进行处理，但这样引入了多余的体积，效率不高。本文是第一个直接使用点云数据的神经网络。（其实可以这样类比，在二维图像处理中，假设图像是二值化的，传统方法是将这个图像直接丢到CNN里面，但如果背景特别多会比较浪费资源。直接使用点云数据相当于直接将前景像素的坐标输入到神经网络里面，对稀疏数据会有比较好的性能，但因为以下三个问题导致直接使用坐标信息比较困难）
由于点云的排列是无序的（可以想象，点云中任意一点排在前面对点云的表达都是相同的）、点云之间是有相互作用的（相邻的点云才能构成形状）、点云在某些变换下具有不变性（比如旋转不会改变点云的类别）这些特性，要求神经网络既能处理无序的数据，又能捕捉全局的结构特征，同时对刚性变换不敏感。基于这些条件，作者提出了如下的网络结构：

可以简要分析一下网络的工作流程，以点云分类问题为例：

感觉网络的结构虽然简单，但是却很好地满足了点云数据自身特性对神经网络的要求。而且我觉得在图像处理中，也有时候必须用到坐标信息或者一些标量特征，这篇文章的方法对于怎样将这些特征融合进CNN里面也有一定的启发意义。

论文地址： http://proceedings.mlr.press/v80/achlioptas18a.html

这篇文章的主要工作是：

首先来看衡量两个点云相似程度的指标部分，作者首先给出了两个距离，EMD和CD：

在计算上，CD更为简便，而且EMD是不可导的。

基于这两种距离，作者引入了三种衡量两个点云相似程度的指标：JSD、Coverage和MMD：

定义了指标后，就可以实现自动编码器和生成模型了。作者提到了四种结构，分别是：

作者同时验证了AE的一些其他功能，比如如果给AE的编码器输入不完整的点云数据，即可训练得到点云复原的模型。使用SVM对低维表示进行分类，即可进行点云分类的任务，证明AE在点云数据形式中的潜在应用较为广泛。

论文地址： http://papers.nips.cc/paper/7095-pointnet-deep-hierarchical-feature-learning-on-point-se

PointNet++针对PointNet提取局部信息能力不强的弊端，提出了一种层次神经网络，可以更好地提取局部信息。其中心思想是将整个点云分割成若干个小部分来提取信息，然后将每个小部分整合成较大的部分，提取更高层次的信息。类似于CNN中卷积和下采样的思想。首先来看网络结构图：

网络大概可以分为两个部分，左边是层次的点云特征提取网络，右边是针对不同任务的解码网络。
特征提取分为若干个set abstraction模块，每个模块又分为采样层、分组层和特征提取层。

得到了较高层次的特征后，对不同的任务需要不同的解码网络。对分类网络来说比较简单，使用全连接即可。对分割网络来说，由于对每个点都需要输出数值，则需要类似上采样的操作。具体的实现作者使用了插值的方法，将较少的点插值到较多的点上去。首先找到插值的目标坐标，然后寻找K个距离最近的已知点，以距离的倒数作为权重，将K个点的特征做加权平均，作为这个点的特征。然后使用之前特征提取中得到的该点的特征与当前特征做一个拼接，即可得到最终特征（类似U-Net的skip connection）。公式如下：

感觉这篇文章和PF-Net的思想差不多，都是希望提取多尺度的特征。但是思路不一样，都值得借鉴。

6. 三维测量技术在哪些应用领域，得到什么作用

这一技术最主要的应用场景有两类：第一类是解决对物体的尺寸、方位、姿态进行高精度测量，这个在工业、医疗以及对精度要求比较高的商业级应用领域会特别多，第二类是在需要方便、快捷、准确的人机交互领域提供高性价比的人机交互技术，这个在工业机器人控制、以及VR/AR领域是非常重要的。具体而言，常见的应用场景包括：

工业领域：需要对生产线上的零部件进行三维尺寸测量，以确定其几何尺寸、位置偏差是否合格。

计算机辅助手术：需要对手术刀的三维空间位置进行精确测量和定位，以配合计算机辅助成像，帮助医生完成各种手术。

安防监控领域：需要对移动物体进行准确的测量，以提供准确的motion detction报警，不能虚报，更不能漏报。

工业机器人标配的示教系统：通过提供一种方便、快捷的人机交互方式，实现对机器人的示教，从而对现有的编程的示教方式形成更加有效率的补充；

VR领域：无论是inside-out追踪方案，还是outside-in追踪方案，都需要对controller进行实时定位和追踪。这个定位和追踪，要求无论controller的移动速度有多快，有没有被遮挡，都要准确定位、稳定追踪、不能丢失。

上述领域中，对于物体的三维空间尺寸、方位、姿态的测量都有非常强烈的需求，是属于刚性需求。从以上的应用场景中，可以看到，能根据相应的应用场景，提供合适的精度、成本、便捷性和高鲁棒性的方案，一定能够获得市场的亲睐。请注意，这里的“合适”非常重要，因为，凡是脱离了应用场景，脱离了成本谈性能和便捷性都是“耍流氓”。所以，对于空间测量和定位技术来讲，方案一定要有灵活性，要能根据客户和应用场景的需要，而进行相应的调节，使得在垂直领域中拥有最强的竞争力。

7. 点云概念与点云处理

点云概念

点云与三维图像的关系 ：三维图像是一种特殊的信息表达形式，其特征是表达的空间中三个维度的数据，表现形式包括：深度图（以灰度表达物体与相机的距离），几何模型（由CAD软件建立），点云模型（所有逆向工程设备都将物体采样成点云）。和二维图像相比，三维图像借助第三个维度的信息，可以实现天然的物体——背景解耦。点云数据是最为常见也是最基础的三维模型。点云模型往往由测量直接得到，每个点对应一个测量点，未经过其他处理手段，故包含了最大的信息量。这些信息隐藏在点云中需要以其他提取手段将其萃取出来，提取点云中信息的过程则为三维图像处理。

点云的概念 ：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。

点云的获取设备 ：RGBD设备是获取点云的设备，比如PrimeSense公司的PrimeSensor、微软的Kinect、华硕的XTionPRO。

点云的内容 ：根据激光测量原理得到的点云，包括三维坐标（XYZ）和激光反射强度（Intensity），强度信息与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关。

根据摄影测量原理得到的点云，包括三维坐标（XYZ）和颜色信息（RGB）。

结合激光测量和摄影测量原理得到点云，包括三维坐标（XYZ）、激光反射强度（Intensity）和颜色信息（RGB）。

点云的属性 ：空间分辨率、点位精度、表面法向量等。

点云存储格式 ：*.pts; *.asc ; *.dat; .stl ; [1] .imw；.xyz； .las。LAS格式文件已成为LiDAR数据的工业标准格式，LAS文件按每条扫描线排列方式存放数据,包括激光点的三维坐标、多次回波信息、强度信息、扫描角度、分类信息、飞行航带信息、飞行姿态信息、项目信息、GPS信息、数据点颜色信息等。

C–class（所属类）

F一flight（航线号）

T一time（GPS时间）

I一intensity（回波强度）

R一return（第几次回波）

N一number of return（回波次数）

A一scan angle（扫描角）

RGB一red green blue（RGB颜色值）

点云的数据类型 ：

（1）pcl::PointCloudpcl::PointXYZ

PointXYZ 成员：float x，y，z;表示了xyz3D信息，可以通过points[i].data[0]或points[i].x访问点X的坐标值

（2）pcl::PointCloudpcl::PointXYZI

PointXYZI成员：float x, y, z, intensity; 表示XYZ信息加上强度信息的类型。

（3）pcl::PointCloudpcl::PointXYZRGB

PointXYZRGB 成员：float x,y,z,rgb; 表示XYZ信息加上RGB信息，RGB存储为一个float。

（4）pcl::PointCloudpcl::PointXYZRGBA

PointXYZRGBA 成员：float x , y, z; uint32_t rgba; 表示XYZ信息加上RGBA信息，RGBA用32bit的int型存储的。

（5） PointXY 成员：float x,y;简单的二维x-y点结构

（6）Normal结构体：表示给定点所在样本曲面上的法线方向，以及对应曲率的测量值，用第四个元素来占位，兼容SSE和高效计算。

点云的处理

点云处理的三个层次 ：Marr将图像处理分为三个层次，低层次包括图像强化，滤波，关键点/边缘检测等基本操作。中层次包括连通域标记（label），图像分割等操作。高层次包括物体识别，场景分析等操作。工程中的任务往往需要用到多个层次的图像处理手段。

PCL官网对点云处理方法给出了较为明晰的层次划分，如图所示。

此处的common指的是点云数据的类型，包括XYZ，XYZC，XYZN，XYZG等很多类型点云，归根结底，最重要的信息还是包含在pointpcl::point::xyz中。可以看出，低层次的点云处理主要包括滤波（filters），关键点（keypoints）/边缘检测。点云的中层次处理则是特征描述（feature），分割（segmention）与分类。高层次处理包括配准（registration），识别（recognition）。可见，点云在分割的难易程度上比图像处理更有优势，准确的分割也为识别打好了基础。

低层次处理方法:

①滤波方法：双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波。②关键点：ISS3D、Harris3D、NARF，SIFT3D

中层次处理方法：

①特征描述：法线和曲率的计算、特征值分析、SHOT、PFH、FPFH、3D Shape Context、Spin Image

②分割与分类：

分割：区域生长、Ransac线面提取、全局优化平面提取

K-Means、Normalize Cut（Context based）

3D Hough Transform(线、面提取)、连通分析

分类：基于点的分类，基于分割的分类，基于深度学习的分类（PointNet，OctNet）

高层次处理方法：

①配准：点云配准分为粗配准（Coarse Registration）和精配准（Fine Registration）两个阶段。

精配准的目的是在粗配准的基础上让点云之间的空间位置差别最小化。应用最为广泛的精配准算法应该是ICP以及ICP的各种变种（稳健ICP、point to plane ICP、Point to line ICP、MBICP、GICP、NICP）。

粗配准是指在点云相对位姿完全未知的情况下对点云进行配准，可以为精配准提供良好的初始值。当前较为普遍的点云自动粗配准算法包括基于穷举搜索的配准算法和基于特征匹配的配准算法。

基于穷举搜索的配准算法：遍历整个变换空间以选取使误差函数最小化的变换关系或者列举出使最多点对满足的变换关系。如RANSAC配准算法、四点一致集配准算法（4-Point Congruent Set, 4PCS）、Super4PCS算法等……

基于特征匹配的配准算法：通过被测物体本身所具备的形态特性构建点云间的匹配对应，然后采用相关算法对变换关系进行估计。如基于点FPFH特征的SAC-IA、FGR等算法、基于点SHOT特征的AO算法以及基于线特征的ICL等…

②SLAM图优化

Ceres（Google的最小二乘优化库，很强大）， g2o、LUM、ELCH、Toro、SPA

SLAM方法：ICP、MBICP、IDC、likehood Field、NDT

③三维重建

泊松重建、 Delaunay triangulations、表面重建，人体重建，建筑物重建，树木重建。结构化重建：不是简单的构建一个Mesh网格，而是为场景进行分割，为场景结构赋予语义信息。场景结构有层次之分，在几何层次就是点线面。实时重建：重建植被或者农作物的4D（3D+时间）生长态势；人体姿势识别；表情识别；

④点云数据管理：点云压缩，点云索引（KD、Octree），点云LOD（金字塔），海量点云的渲染

8. 点云数据处理

三维计算视觉研究内容包括：

（1）三维匹配：两帧或者多帧点云数据之间的匹配，因为激光扫描光束受物体遮挡的原因，不可能通过一次扫描完成对整个物体的三维点云的获取。因此需要从不同的位置和角度对物体进行扫描。三维匹配的目的就是把相邻扫描的点云数据拼接在一起。三维匹配重点关注匹配算法，常用的算法有 最近点迭代算法 ICP 和各种全局匹配算法。

（2）多视图三维重建：计算机视觉中多视图一般利用图像信息，考虑多视几何的一些约束，相关研究目前很火，射影几何和多视图几何是视觉方法的基础。在摄影测量中类似的存在共线方程，光束平差法等研究。这里也将点云的多视匹配放在这里，比如人体的三维重建，点云的多视重建不仅强调逐帧的匹配，还需要考虑不同角度观测产生误差累积，因此也存在一个优化或者平差的过程在里面。通常是通过观测形成闭环进行整体平差实现，多视图重建强调整体优化。可以只使用图像，或者点云，也可以两者结合（深度图像）实现。重建的结果通常是Mesh网格。

（3）3D SLAM：点云匹配（最近点迭代算法 ICP、正态分布变换方法 NDT）+位姿图优化（ g2o 、LUM、ELCH、Toro、SPA）；实时3D SLAM算法 （LOAM）；Kalman滤波方法。3D SLAM通常产生3D点云，或者Octree Map。基于视觉（单目、双目、鱼眼相机、深度相机）方法的SLAM，比如orbSLAM，lsdSLAM...

（4）目标识别：无人驾驶汽车中基于激光数据检测场景中的行人、汽车、自行车、以及道路和道路附属设施（行道树、路灯、斑马线等）。

（5）形状检测与分类：点云技术在逆向工程中有很普遍的应用。构建大量的几何模型之后，如何有效的管理，检索是一个很困难的问题。需要对点云（Mesh）模型进行特征描述，分类。根据模型的特征信息进行模型的检索。同时包括如何从场景中检索某类特定的物体，这类方法关注的重点是模型。

（6）语义分类：获取场景点云之后，如何有效的利用点云信息，如何理解点云场景的内容，进行点云的分类很有必要，需要为每个点云进行Labeling。可以分为基于点的方法，基于分割的分类方法。从方法上可以分为基于监督分类的技术或者非监督分类技术，深度学习也是一个很有希望应用的技术。

（7）立体视觉与立体匹配 ZNCC

（8）SFM（运动恢复结构）

1、点云滤波方法（数据预处理）：

双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致性滤波。

VoxelGrid

2、关键点

ISS3D、Harris3D、NARF

SIFT3D、

3、特征和特征描述

法线和曲率计算 NormalEstimation 、特征值分析Eigen-Analysis、 EGI

PFH、FPFH、3D Shape Context、Spin Image

4、 点云匹配

ICP 、稳健ICP、point to plane ICP、Point to line ICP、MBICP、GICP

NDT 3D 、Multil-Layer NDT

FPCS、KFPCS、SAC-IA

Line Segment Matching 、ICL

5、点云分割与分类

分割：区域生长、Ransac线面提取、NDT-RANSAC、

K-Means、Normalize Cut（Context based）

3D Hough Transform(线、面提取)、连通分析、

分类：基于点的分类，基于分割的分类；监督分类与非监督分类

6、SLAM图优化

g2o 、LUM、ELCH、Toro、SPA

SLAM方法：ICP、MBICP、IDC、likehood Field、 Cross Correlation 、NDT

7、目标识别、检索

Hausdorff 距离计算（人脸识别）

8、变化检测

基于八叉树的变化检测

9. 三维重建

泊松重建、Delaunay triangulations

表面重建，人体重建，建筑物重建，树木重建。

实时重建：重建植被或者农作物的4D（3D+时间）生长态势；人体姿势识别；表情识别；

10.点云数据管理

点云压缩，点云索引（KD、Octree），点云LOD（金字塔），海量点云的渲染

点云驱动的计算机图形学主要研究应用

http://vcc.szu.e.cn/research/2015/Points/

9. 三维扫描可以做什么

三维激光扫描技术又称作高清晰测量，也被称为“实景复制技术”，它是利用激光测距的原理，通过记录被测物体表面大量密集点的三维坐标信息和反射率信息，将各种大实体或实景的三维数据完整地采集到计算机中。①

它提供了一种快速准确的方法将实物数字化，且 具有速度快、精度高的优点 。它能实现非接触测量，因此在建筑领域应用更加安全和快捷。

通过三维扫描技术得到的高密度、有精确三维坐标的三维激光数据称之为 点云 。在建筑行业可利用点云做三维建模，高精度三维点云数据通过算法拟合生成曲面，精度高，同时建模速度快。

1、实测实量

三维扫描技术是将实景复制的，平距、斜距、垂距、净空、直径、角度、方位角、坡度和坐标等数据，都可以在点云处理软件中点几下鼠标轻松量测出。

在某个对平整度要求比较高的工程，使用平整分析工具，可以测算出现状与需求面（平面或曲面）之间的偏差，并输出报表及指定分辨率下的CAD图纸。

可以将处理完成的三维空间与同事、客户分享，不仅可以分享三维空间文件，还可以分享为图像、视频、网页等形式，便于查看和协同工作。

三维激光扫描可以获取地表面点云，并赋予绝对坐标，然后计算设计曲面与原始曲面之间的土方量，即为“土方开挖预估量”。工程可覆盖土方、滑坡体积、储存空间、容积等方面，可以准确清晰的辅助施工。

三维扫描可以获取高精度实景数据，可以与现有虚拟的BIM模型做冲突对比，为下部工程进场做验证分析。

大型设备进场路线、运输优化。工厂作业、运行范围的碰撞检测。

扫描数据自带带影像及坐标，无需二维图纸。能够提交所需的范围、精度、分辨率和影像。快速捕获建筑地标并为注释添加图像，以这种方式深入记录场地。

不同于实测实量，可以将BIM模型与现状进行对比，使三维模型的优化更加直观，便于BIM模型深化。

图中红色部分偏差较大

10. 点云数据除了用无人机搜集,在车载的领域上有什么应用

点云数据的获取方式主要有车载激光、机载激光以及地面激光扫描。地面激光扫描、机载激光扫描相对较成熟，车载激光扫描系统国内还在不断改进完善中。不同激光点云数据获取方式各有其优缺点。