3D点云描述子超全综述：传统方式+深度学习方式

最新推荐文章于 2024-08-21 16:56:15 发布

3Ｄ视觉工坊

最新推荐文章于 2024-08-21 16:56:15 发布

阅读量5.4k

点赞数

文章标签：人工智能编程语言计算机视觉机器学习深度学习

作者丨Tom Hardy@知乎

来源丨https://zhuanlan.zhihu.com/p/395187135

编辑丨3D视觉工坊

摘要

廉价3D数据采集设备的引入有助于3D点云的广泛应用和普及，近年来，为了提高三维计算机视觉任务的效率，有效地提取新的三维点云描述子越来越受到人们的关注。然而，由于三维点云的固有特性，如何从三维点云中提取具有鉴别能力和鲁棒性的特征描述符仍然是一项具有挑战性的任务。在本文中，我们对现有的三维点云描述符进行了全面深入的研究。根据描述符的进步，这些方法主要可分为两类：基于手工制作的方法和基于深度学习的方法，我们将从精细分类的角度进一步讨论它们的优点和局限性。最后，提出了三维点云描述子提取的未来研究方向。

与前面提到的研究相比，本文的主要贡献包括：

1.据我们所知，这是有关3D点云描述符进展的文献中的第一篇综述论文，从传统手工制作的描述符到具有重大研究前景的基于深度学习的方法；

2.这也是第一份将深度学习技术应用于3D点云的调查报告；

3. 这些特征以直观的形式概括在表3中；

4. 本文简要讨论了三维点云描述子的未来研究方向；

点云描述子方法分类

本文主要根据特征提取策略将三维点云描述符分为两大类，即基于手工和基于深度学习的方法。对于传统手工制作的方法，可以通过考虑从中提取描述符的区域（局部、全局和混合）、参考框架的类型和使用的属性（几何信息、空间信息、颜色信息、，其他统计信息或上述属性的组合）。对于基于深度学习的描述符，输入点云的表示对于神经网络结构的设计至关重要。它还对基于点云的应用程序的计算成本和性能产生影响。特别是，表示可以是（1）中间特征，从点云提取的手工描述符，（2）体素网格，一种结构化数据，（3）从点云生成的多视图二维图像，（4）Kd树，（5）八叉树，两种数据结构来构建拓扑，（6）点，点云本身作为输入，（7）图形，使用图形结构反映点与其相邻点之间的关系；（8）多传感器。3D点云描述符的详细分类显示在图1中。

点云数据集

基于手工设计的描述子

由于三维点云数据的特殊性，手工编制的描述符在直接处理三维点云的方法中发挥着重要作用。现有文献中的三维描述符可分为三大类：基于全局的描述符、基于局部的描述符和基于混合的描述符。

方法汇总：

基于深度学习方法的描述子

深度学习技术难以置信的强大力量在获取3D点云描述符方面带来了突破。然而，3D点云的稀疏性、不规则性和无序性直接挑战了深度学习架构对3D点云的扩展。因此，如何将一个三维点云表示成一种可以输入到深度学习处理管道中的格式成为许多研究工作关注的关键问题。一种常用的方法是将原始3D点云数据预处理为结构化的、固定大小的表示形式，以供深度学习体系结构处理。在这里，我们根据所采用的表示方法将这些现有方法分为基于特征的方法、体积方法、多视图方法、kd树方法、图方法和点云方法。