点云入门之点云基础知识

顾京
1,228 阅读3分钟

点云相关概念

  1. 点云（Point cloud）：点云是空间点的集合，用来描述物体的表面形状。
  2. 点坐标：点在三维空间中的位置，通常用（x, y, z）表示。
  3. 法向量（Normal vector）：与点云表面垂直的向量。
  4. 强度（Intensity）：激光雷达返回的信号强度。
  5. 上采样（Upsampling）：增加点云中点的数量。
  6. 下采样（Downsampling）：减少点云中点的数量。
  7. 滤波（Filtering）：去除点云中的噪声点。
  8. 配准（Registration）：将不同视角或时间获取的点云对齐到同一坐标系下。
  9. 聚类（Clustering）：将点云分成若干个聚类，每个聚类代表一个物体或区域。
  10. 三维重建（3D Reconstruction）：从点云数据中恢复物体的三维形状。

点云的表示

如图1，点云可以采用如下方式表示，

  1. 离散方式：即点的集合。
  2. 网格方式：若干点云转化为一个小面片，用小面片描述图像表面。
  3. 体素方式：空间划分为小体素，即小立体块。
  4. 图片投影方式：用带有深度信息的彩色图片描述物体。

img1.png

图1 点云的表示

点云处理任务

如图2，常见的点云处理任务物体分类、部件分割、目标检测等。

img2.png

图2 点云处理任务

其中，检测任务需要得到最终目标的边界框。除了上述基础任务，还有3D重建（利用点云数据还原物体三维形状），场景语义分割任务（在相应场景语义下，对目标进行分割）等等。

img3.png

图3 场景语义分割任务

点云相关数据集

  1. 3D形状分类任务
    • 比较常见的有ModelNet系列，ShapNet等。

img4.png

图4 分类任务的数据集

  1. 检测任务
    • 比较常见的有KITTI等。

img5.png

图 5 检测任务数据集

  1. 分割任务
    • 比较常见的有ScanNet，S3DIS等

img6.png

图6 点云分割数据集

点云数据的挑战

  • 排列无序性

点云具有排列无序性的特点，意思是如果交换两个点，整个点云数据实际上没有改变。对于图片，你交换两个像素，其实图片是发生变化的。

  • 无固定的网格结构

图像数据中的像素排列成规则的网格，点云数据的点是任意分布的，故其无固定的网络结构。

点云方面的深度学习方法

深度学习方法已经应用在了点云分类，目标检测和分割任务，具体可见图7。

img7.png

图7 深度学习方法在点云数据的应用

对于分类任务，具体可见图8.

img8.png

图8 深度学习方法在点云分类任务的应用

点云的应用

如图9，点云可以应用在机器感知，增强现实，形状设计，虚拟现实和面部识别等领域。

img9.png

图9 点云的应用

其中，增强现实是在真实世界的基础上，通过数字技术叠加虚拟信息，让现实世界变得更加丰富多彩。而虚拟现实则是创造出一个完全虚拟的世界，让你沉浸其中，仿佛身临其境。想象一下，你戴上 VR 头盔，瞬间来到了一个奇幻的魔法森林，或者置身于激烈的太空战场，周围的一切都是由计算机生成的虚拟场景。

参考资料

[1] 论文解读+代码复现

avatar
文章
阅读
粉丝