课程笔记-三维点云处理01 ——Introduction and Basic Algorithms

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：

三维点云处理——深蓝学院

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：

1. 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
2. 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）
3. 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）
4. 无序性 （不利于深度学习）
5. 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