3D点云基础知识(一)-初始入门-知乎整理（二）

3D点云语义分割——场景理解的关键

https://www.zhihu.com/search?type=content&q=3D%E8%AF%AD%E4%B9%89%E5%88%86%E5%89%B2

 

3D点云语义分割——场景理解的关键

数据：

点云数据是什么？点云数据一般由激光雷达等3D扫描设备获取空间若干点的信息，一般包括XYZ位置信息、RGB颜色信息和强度信息等，是一种多维度的复杂数据集合。

相比于2D图像，3D点云数据具有无可比拟的优势，可以提供丰富的几何、形状和尺度信息；且不易受光照强度变化和其它物体遮挡等影响。因此，3D点云能够更好地了解机器的周围环境。

场景理解的关键：

随着3D采集技术的迅速发展，出现了大量的新颖的、廉价的3D扫描仪、LiDAR和RGB-D相机(如Kinect、RealSense和苹果深度相机)，降低了3D点云数据的获取难度，研究者可以轻易的获得大量3D点云数据。同时也出现了越来越多需要感知 3D 环境或与 3D 对象交互的新兴应用。使得3D点云数据规模变得十分庞大。

基于3D点云数据的目标检测、分类、识别是当前解决场景理解的主要技术，而3D点云语义分割是这些技术的基础。

3D点云语义分割是指给点云中的每个点赋予特定的语义标签，也可以说是对每个物体进行分割，赋予每个物体特定的含义。能够准确描述空间中物体的类型，使我们对空间物体有更加细致的了解，所赋予的语义标签在真实世界中是有意义的，如下图汽车被赋予为标签0，同时使用蓝色标记并可视化，这有助于实现场景理解。

应用领域：

自动驾驶领域：通过3D点云语义分割将道路环境点云数据进行分割，可以识别出行人、汽车等物体，

铁路场景检测：采用3D点云分割能够识别铁路上的侵入异物，准确直观，还不易受到天气及环境的影响；在车站站台、隧道口等重要区域进行异物入侵检测能有效的保证高铁铁路运行的安全性。

在增强现实（AR）中，采用3D点云语义分割技术人们可以通过AR眼镜去感受虚拟的3D场景。够有效体现出真实世界的内容，也能够促使虚拟的信息内容显示出来，例如冰箱门上的虚拟菜单。

研究方法

由于3D点云数据具有稀疏性、不规则性，对点云数据分割具有较大挑战，其技术发展并非一帆风顺。早期由于计算设备和采集设备等一些因素，点云分割的研究只局限于工业领域的一些规则的物体，如对齿轮、曲轴、叶片等进行识别。

而随着计算机性能的提升和激光雷达等一些高速点云采集设备的出现，点云分割的研究便有了新的发展。很多人开始研究复杂场景的点云分割，如在办公环境中的机器人感知的研究；清华大学对道路环境点云分割的研究。目前，人工智能新一轮革命使得深度学习大放异彩，很多研究者开始关注于基于深度学习方法的点云分割。

作者声明：尊重原创。

作者：Harvey
链接：https://zhuanlan.zhihu.com/p/155757773
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

---

PCL-python版本安装

win10使用python3.6安装python-pcl库

特别强调一点：一定要是绿色的才是可用的。最新的不一定可用。

上面选择一个版本点进去：如下图：

一定要有绿色的才是有轮子的。否则你就要点开其他版本。找到自己系统中有的条件来安装。

---

python-pcl安装及使用

 

https://elody-07.github.io/%E4%BB%8E%E5%9B%BE%E5%83%8F%E5%88%B0%E7%82%B9%E4%BA%91/#%E4%B8%80%E3%80%81%E5%9F%BA%E6%9C%AC%E9%85%8D%E7%BD%AE
 

https://www.sigmameow.com/blog/page.html?id=3#0.%20PyCharm%E4%B8%8EVS2017%E7%9A%84%E5%AE%89%E8%A3%85

https://blog.csdn.net/m0_37863723/article/details/81487888

---

https://www.cnblogs.com/MakeView660/p/12195595.html

除了用PCL外。另一个强大的3D模型查看器：Open 3D Model Viewer