In unserer jüngsten Arbeit [1], [2] haben wir Point Feature Histograms (PFH) als robuste, mehrdimensionale Merkmale vorgeschlagen, die die lokale Geometrie um einen Punkt p für 3D-Punktwolken-Datensätze beschreiben. In diesem Artikel modifizieren wir ihre mathematischen Ausdrücke und führen eine rigorose Analyse ihrer Robustheit und Komplexität im Kontext der 3D-Registrierung überlappender Punktwolkenansichten durch. Konkret präsentieren wir mehrere Optimierungen, die ihre Berechnungszeiten erheblich reduzieren, entweder durch Caching bereits berechneter Werte oder durch Überarbeitung ihrer theoretischen Formulierungen. Letzteres führt zu einer neuen Art lokaler Merkmale, die Fast Point Feature Histograms (FPFH) genannt werden, die den größten Teil der diskriminativen Leistungsfähigkeit der PFH beibehalten. Darüber hinaus schlagen wir einen Algorithmus zur Online-Berechnung von FPFH-Merkmale für Anwendungen in Echtzeit vor. Zur Validierung unserer Ergebnisse demonstrieren wir deren Effizienz bei der 3D-Registrierung und stellen einen neuen, auf der Sample Consensus-Methode basierenden Ansatz vor, um zwei Datensätze in den Konvergenzbereich eines lokalen nichtlinearen Optimierers zu bringen: SAC-IA (SAmple Consensus Initial Alignment).