算法可以:
1)从输入点集合中分别提取(识别和跟踪)外部和内部边界;
2)在任何类型的输入点集上工作，
3)从大型和/或密集点集的每个子集中分别提取边界。原始输入点集可以被分割(用户定义如何分割)，然后可以从组合的子集边界中提取(内部和外部)边界。这大大降低了大型和/或密集点集的计算成本。
算法应该适用于任何点云数据。唯一的输入参数是dmax，它是输入点云中的最大点到点距离。对于生成的形状(通过shape_gen.)M文件)从给定的样本数据集中，这个值在1.0到1.5像素之间。因此，使用dmax = 1.3像素。

这些算法已经针对大量激光雷达点云数据进行了广泛的测试。例如，对于LIDAR_sample_01_adjusted.txt中的样本数据，第二个参数是0.2(米)。

该算法还能够在单个输入数据集中为多个对象提取多个边界。在这种情况下，两个对象之间的距离应该至少是输入点云中最大点到点距离的2倍。

请参考论文:M. Awrangjeb，“使用点云数据来识别，
“国际遥感杂志，第37卷，第3期，2016年2月，第551-579页;开放存取地点:http://www.tandfonline.com/doi/pdf/10.1080/01431161.2015.1131868