Dans notre travail récent [1], [2], nous avons proposé les Histogrammes de Caractéristiques de Points (PFH) comme des caractéristiques multidimensionnelles robustes décrivant la géométrie locale autour d’un point p dans des ensembles de données de nuages de points 3D. Dans cet article, nous modifions leurs expressions mathématiques et menons une analyse rigoureuse de leur robustesse et de leur complexité dans le cadre du recalage 3D de vues de nuages de points chevauchantes. Plus précisément, nous présentons plusieurs optimisations permettant de réduire de façon significative les temps de calcul, soit en mémorisant les valeurs prédéfinies, soit en révisant leurs formulations théoriques. Cette dernière approche donne lieu à un nouveau type de caractéristiques locales, nommé Fast Point Feature Histograms (FPFH), qui conservent la majeure partie de la puissance discriminante des PFH. En outre, nous proposons un algorithme permettant le calcul en temps réel des caractéristiques FPFH, adapté aux applications en temps réel. Pour valider nos résultats, nous démontrons leur efficacité dans le recalage 3D et proposons une nouvelle méthode basée sur le consensus d’échantillonnage pour amener deux ensembles de données dans le bassin d’attraction d’un optimiseur non linéaire local : SAC-IA (SAmple Consensus Initial Alignment).