在工業(yè)界，利用激光雷達(dá)獲取點(diǎn)云數(shù)據(jù)，很早就有應(yīng)用了，如進(jìn)行測(cè)高、遙感等。近幾年的大規(guī)模發(fā)展得益于自動(dòng)駕駛和機(jī)器人領(lǐng)域的火熱，激光雷達(dá)成為重要的感知手段而得到人們關(guān)注，點(diǎn)云處理也成為熱門(mén)。

點(diǎn)云是什么？

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

點(diǎn)云 VS 圖像

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

PCL VS 深度學(xué)習(xí)

我們都知道，在深度學(xué)習(xí)沒(méi)出來(lái)之前，圖像處理就已經(jīng)發(fā)展出大量算法了。同樣的，點(diǎn)云處理領(lǐng)域也是這樣，比如做點(diǎn)云特征提取、配準(zhǔn)、識(shí)別等等。這方面還有不少開(kāi)源程序庫(kù)，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(hù)實(shí)在太差了，信息陳舊，國(guó)內(nèi)參考書(shū)籍出的也少，導(dǎo)致民間不少?gòu)氖曼c(diǎn)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(tuán)取暖，但是解決問(wèn)題效率一般。

近幾年深度學(xué)習(xí)發(fā)展迅速，在圖片、視頻和自然語(yǔ)言處理等領(lǐng)域大放異彩。最近三年在點(diǎn)云處理領(lǐng)域中也逐漸發(fā)展起來(lái)，下面按照點(diǎn)云處理形式對(duì)現(xiàn)有方法進(jìn)行分類(lèi)和梳理。

1 基于像素的深度學(xué)習(xí)

這是最早用深度學(xué)習(xí)來(lái)處理點(diǎn)云數(shù)據(jù)的方法，但是需要先把三維點(diǎn)云在不同角度渲染得到二維圖像，然后借助圖像處理領(lǐng)域成熟的深度學(xué)習(xí)框架進(jìn)行分析。代表作是MVCNN網(wǎng)絡(luò)，它的思路是考慮到圖像領(lǐng)域已經(jīng)通過(guò)渲染3D模型的12個(gè)角度的圖像，并對(duì)圖像進(jìn)行分類(lèi)。效果也不差。

怎么評(píng)價(jià)這種思路呢？其實(shí)還是不錯(cuò)的，除了分類(lèi)任務(wù)，在點(diǎn)云目標(biāo)檢測(cè)中，也有不少論文采用了這種思路，比如自動(dòng)駕駛場(chǎng)景的目標(biāo)檢測(cè)，如MV3D等，也是會(huì)把點(diǎn)云投影到三維空間。

2 基于體素的深度學(xué)習(xí)

代表作有Volumetric CNN 、VoxNet、VoxelNet。將點(diǎn)云劃分成均勻的空間三維體素，對(duì)體素進(jìn)行處理。優(yōu)點(diǎn)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(luò)運(yùn)算遷移到三維；缺點(diǎn)是由于體素表達(dá)的數(shù)據(jù)離散運(yùn)算量大，所以分辨率較低，因此具有一定的局限性。

3 基于樹(shù)的深度學(xué)習(xí)

OCNN利用八叉樹(shù)方法將三維點(diǎn)云劃分為若干節(jié)點(diǎn)，以節(jié)點(diǎn)的法向量作為輸入信號(hào)，按照Z(yǔ)排序方法將點(diǎn)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(luò)進(jìn)行連接。類(lèi)似思路的論文還有OctNet同樣采用八叉樹(shù)組織點(diǎn)云，Kd-Network采用的是KD樹(shù)。

4 基于點(diǎn)的深度網(wǎng)絡(luò)

代表作是斯坦福大學(xué)研究人員提出的PointNet，用來(lái)直接對(duì)點(diǎn)云進(jìn)行處理，該網(wǎng)絡(luò)很好地考慮了輸入點(diǎn)云的排列不變性。采用maxpooling作為對(duì)稱(chēng)函數(shù)進(jìn)行處理。之后考慮到PointNet缺乏局部信息的缺點(diǎn)，提出了改進(jìn)版PointNet++，各項(xiàng)指標(biāo)也是刷新了前作。

與PointNet不同，在解決點(diǎn)云的無(wú)序排列問(wèn)題上，PointCNN沒(méi)有采用maxpooling作為對(duì)稱(chēng)函數(shù)，而是訓(xùn)練了一個(gè)X變換網(wǎng)絡(luò)，在多項(xiàng)任務(wù)中達(dá)到了當(dāng)時(shí)的最高水平。

趨勢(shì)總結(jié)

最后進(jìn)行一個(gè)簡(jiǎn)單的總結(jié)，點(diǎn)云遇到深度學(xué)習(xí)之后，主要朝著兩個(gè)方向發(fā)展，其一是解決點(diǎn)云領(lǐng)域的自身需求，如配準(zhǔn)、擬合；其二是解決計(jì)算機(jī)視覺(jué)領(lǐng)域的需求，如識(shí)別、檢測(cè)、跟蹤。

如果走第一條路，需要對(duì)傳統(tǒng)點(diǎn)云處理算法進(jìn)行學(xué)習(xí)，而深度學(xué)習(xí)就只是提取特征的工具了，會(huì)用就行。如果走第二條路，就需要對(duì)計(jì)算機(jī)視覺(jué)領(lǐng)域的識(shí)別、檢測(cè)、跟蹤等領(lǐng)域浩如煙海的paper、代碼都要進(jìn)行學(xué)習(xí)，然后往點(diǎn)云領(lǐng)域去遷移，目前很多點(diǎn)云目標(biāo)檢測(cè)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(duì)于高校研究生發(fā)表論文也相對(duì)容易找到突破口。