按照點云處理形式對現(xiàn)有方法進行分類和梳理

在工業(yè)界，利用激光雷達獲取點云數(shù)據(jù)，很早就有應用了，如進行測高、遙感等。近幾年的大規(guī)模發(fā)展得益于自動駕駛和機器人領域的火熱，激光雷達成為重要的感知手段而得到人們關注，點云處理也成為熱門。

點云是什么？

說白了點云就是一堆帶有三維坐標（也可以帶強度、顏色信息）的點，由于數(shù)目龐大，因此可以描繪出物體的三維輪廓。

點云 VS 圖像

點云數(shù)據(jù)與圖像處理具有很多相似點，因此不少處理方法是從圖像處理演變而來，但是點云又具有自身特點(簡單、稀疏、準確)，因此研究人員根據(jù)這些特點，發(fā)展出效果更好的處理手段。

PCL VS 深度學習

我們都知道，在深度學習沒出來之前，圖像處理就已經(jīng)發(fā)展出大量算法了。同樣的，點云處理領域也是這樣，比如做點云特征提取、配準、識別等等。這方面還有不少開源程序庫，例如大家都知道的PCL，在這里順便吐槽一下，PCL中文網(wǎng)站的維護實在太差了，信息陳舊，國內參考書籍出的也少，導致民間不少從事點云數(shù)據(jù)處理的研究人員，相互聚集在一些QQ群、微信群中，互幫互助，抱團取暖，但是解決問題效率一般。

近幾年深度學習發(fā)展迅速，在圖片、視頻和自然語言處理等領域大放異彩。最近三年在點云處理領域中也逐漸發(fā)展起來，下面按照點云處理形式對現(xiàn)有方法進行分類和梳理。

1 基于像素的深度學習

這是最早用深度學習來處理點云數(shù)據(jù)的方法，但是需要先把三維點云在不同角度渲染得到二維圖像，然后借助圖像處理領域成熟的深度學習框架進行分析。代表作是MVCNN網(wǎng)絡，它的思路是考慮到圖像領域已經(jīng)通過渲染3D模型的12個角度的圖像，并對圖像進行分類。效果也不差。

怎么評價這種思路呢？其實還是不錯的，除了分類任務，在點云目標檢測中，也有不少論文采用了這種思路，比如自動駕駛場景的目標檢測，如MV3D等，也是會把點云投影到三維空間。

2 基于體素的深度學習

代表作有Volumetric CNN 、VoxNet、VoxelNet。將點云劃分成均勻的空間三維體素，對體素進行處理。優(yōu)點是這種表示方式很規(guī)整，可以很方便地將卷積池化等神經(jīng)網(wǎng)絡運算遷移到三維；缺點是由于體素表達的數(shù)據(jù)離散運算量大，所以分辨率較低，因此具有一定的局限性。

3 基于樹的深度學習

OCNN利用八叉樹方法將三維點云劃分為若干節(jié)點，以節(jié)點的法向量作為輸入信號，按照Z排序方法將點云表示成一維數(shù)組，之后可以很方便地與已有神經(jīng)網(wǎng)絡進行連接。類似思路的論文還有OctNet同樣采用八叉樹組織點云，Kd-Network采用的是KD樹。

4 基于點的深度網(wǎng)絡

代表作是斯坦福大學研究人員提出的PointNet，用來直接對點云進行處理，該網(wǎng)絡很好地考慮了輸入點云的排列不變性。采用maxpooling作為對稱函數(shù)進行處理。之后考慮到PointNet缺乏局部信息的缺點，提出了改進版PointNet++，各項指標也是刷新了前作。

與PointNet不同，在解決點云的無序排列問題上，PointCNN沒有采用maxpooling作為對稱函數(shù)，而是訓練了一個X變換網(wǎng)絡，在多項任務中達到了當時的最高水平。

趨勢總結

最后進行一個簡單的總結，點云遇到深度學習之后，主要朝著兩個方向發(fā)展，其一是解決點云領域的自身需求，如配準、擬合；其二是解決計算機視覺領域的需求，如識別、檢測、跟蹤。

如果走第一條路，需要對傳統(tǒng)點云處理算法進行學習，而深度學習就只是提取特征的工具了，會用就行。如果走第二條路，就需要對計算機視覺領域的識別、檢測、跟蹤等領域浩如煙海的paper、代碼都要進行學習，然后往點云領域去遷移，目前很多點云目標檢測算法也都是這么做的。相比較而言，第二條路前景更廣闊一些，對于高校研究生發(fā)表論文也相對容易找到突破口。