课程笔记-三维点云处理01 ——Introduction and Basic Algorithms
本系列笔记是对深蓝学院所开设的课程:《三维点云处理》的笔记
课程每周更新,我也会努力将每周的知识点进行总结,并且整理成笔记发上来,欢迎各位多多交流&批评指正!!
本文主要为课程第一章的笔记!
课程链接:
正式内容:
####################################################
Course outline and prerequisite
####课程内容介绍
本系列课主要介绍三维点云 处理 及应用
三维点云是一系列的三维点位置坐标
三维点云获取形式:
lidar
RGBD
CAD模型
SfM(交叉矩阵结构)(Structure from motion) 是一种三维重建的方法
等等
三维点云应用
应用比较广泛,因为输入信息比较简单。
应用领域:
机器人领域
自动驾驶领域
3D模型重构
人脸识别(faceID)
等等
三维空间表示方法
除点云外,三维空间的表示方法主要还有以下几种,各自有优缺点:
mesh是一系列的三角面片组成
体素占用内存过大
二叉树(octree)可以解决占用内存过大的缺点,但是表述起来相对困难一些
与上面几种表述方式相比,点云只是一个矩阵,表述起来非常简单。因此这些年来被广泛沿用
点云应用的困难
三维点云在应用上也有很多困难:
- 密度 点云一般在近处的物体很稠密,远处的物体很稀疏,使得远处的物体很难被识别
- 不规则 很难找到相邻点之间的规律(不想图像排列那么规范)
- 纹理信息 由于没有纹理信息,只有位置信息,所以会发成误识别
(个人理解:只能检测有没有 不能检测是什么) - 无序性 (不利于深度学习)
- 旋转不变性 (深度学习)
课程设置
传统方法+深度学习方法
传统方法:知道步骤,门槛较高
深度学习:简单,好用,黑盒子
传统方法 vs 深度学习
课程设置上,前四节课是传统方法,后四节课是偏向深度学习和slam应用的:
课程设置:理论讲解和实践讲解 五五开