1 点云的表示
点云可以表示成
2 点云数据来源
- Lidar 激光雷达
- RGB-D 深度相机
- CAD模型
- Structure from motion 从2D运动图像重建进行三维重建
3 点云的应用
机器人与自动驾驶
- 定位——SLAM,回环检测,配准
- 感知——目标检测,分类
- 重建——SfM,配准
电子商务
- 人脸识别/重建——FaceID
- 手势——Hololens
- 姿势——Kinect
4 点云表达优缺点
3D物体的其他表示方式
- Mesh 栅格化:表示复杂
- Voxel Grid 体素:空间冗余
- Octree 八叉树:使用复杂
点云的优势
- 直接的3D信息
- 在数学上表示十分简洁
点云处理的难点
- 稀疏:远处的物体的点云数很少
- 不规则:很难搜索临近点
- 纹理信息的缺失:三人成车——三人被识别成车hhh
- 无序性:深度学习的困难,顺序不同的矩阵是完全不同的输入
- 旋转不变性
5 课程大纲
传统方法——60%
- 优点
- 可解释性——可以用数学去精准描述算法的实现,效果是可预见的
- 可控的——我们知道如何去修改模型
- 缺点
- 很难对语义进行建模
- 用户难以理解
深度学习模型——40%
- 优点
- 简单
- 性能好
- 数据驱动
- 缺点
- 难以解释
- 不可控——黑盒
- 需要专门的硬件
- 入门门槛低:不一定拼得过年轻人
6 代码常用工具
C++
- Point Cloud Library(PCL)
- Python Binding——pybind11
- 优化器——g2o,Ceres
- Eigen
Python
- numpy
- scipy
- Open3D
- Pytorch
- TensorFlow