3D点云目标追踪论文盘点（含3D点云标注工具）

3D点云相比2D图片多出来深度这一元素，大大提高了定位空间目标位置的准确性，在机器人,自动驾驶,虚拟现实,遥感测绘等领域有着广泛的应用前景，是计算机视觉未来发展的必然方向，如何精准的识别各个物体在空间中的形状、位置、姿态，恢复和重建物体表面的三角化网格和纹理映射，实现物体在三维空间的检测、识别、追踪以及交互，仅仅依赖一副图像是无法做到的，借助不同相机组成的立体视觉系统，亦或由相机、雷达等多个传感器融合获取3D点云数据是比较常用的方法。

在此基础上，诸多研究者们提出了很多有效的方法和策略。

在点云的目标跟踪的研究中前期处理中应用最多的算法当属点云配准类算法，点云配准分为**粗配准（Coarse Registration）和精配准（Fine Registration）**两个阶段。
精配准的目的是在粗配准的基础上让点云之间的空间位置差别最小化。应用最为广泛的精配准算法应该是ICP以及ICP的各种变种（稳健ICP、point to plane ICP、Point to line ICP、MBICP、GICP、NICP）不过ICP需要先进行粗配准才能够。
关于ICP算法详解：推荐https://blog.csdn.net/sinat_34165087/article/details/78567289，此文主要是探讨标准ICP算法和二维的ICP算法原理如何计算最近点集和变换矩阵，从而计算目标函数与阈值判断，计算步骤非常详细，代码相关：https://blog.csdn.net/peach_blossom/article/details/78506184，算法相互对比：https://blog.csdn.net/weixin_43236944/article/details