学习目标：

点云基础知识入门--持续更新

在这四种3D表示方式中（体素网格，点云，隐式表面和三角网格）为什么选择点云的方式呢？

个人理解中，原因有以下几点：

1、点云数据获取比较简单，而且点云最接近原始传感器的数据（激光雷达扫描得到的就是点云数据，深度传感器获得的是一个深度图像，可以理解为局部的点云）。

左图：深度传感器获得的图像，右图为激光雷达和深度传感器得到的点云（经过一定的处理）

2、点云的表示形式很简单。

3、不是所有的3维图形都能用隐式表面表示出来，而且隐式表面比较复杂。

4、由于点云中的点是不规则、无序的，所以有些研究是将点云转化为体素结构的形式，从而变成规则的表达。但是，在这个转化的过程中会丢失很多精准度。

5、三角网格的精度较高，但是也比较难以获得，常用于3维建模。

 

---

应用场景：

点云的应用场景比较广泛，如：自动驾驶、场景分割、AR等方面。

特别是自动驾驶，夜间行车时，摄像头的呈像效果并不是太好，但如果利用点云，则可以很好的把对象识别出来。未来可能是2D+3D结合的技术。

PointNet还可应用在3D场景的理解中：

如上图所示，输入的是RGB-D的图像，输出的是用3D框框住的物体，这一技术可应用在自动驾驶中。

---

学习内容（一些术语的理解--持续更新）：

1、ground-truth:在三维领域中，ground-truth可以代表人工标注，即标签的意思。

2、Context：(即在点云中经常提到的上下文相关这里介绍下具体的含义）potential semantic dependencies between a target pattern and its surroundings.(如下图，可以理解为最小红框中的信息不是独立存在的，而是和周围信息有着上下文的关系）

3、在先前的工作中，不仅有把点云转化为规则的体素网格的形式，还有把3D点云映射到2D上，然后用2D CNN进行处理，但是效果也不是很好。

PointNet的提出，可以在点云上直接提取特征，使我们可以直接在点云上就行操作（下图展示了PointNet的应用）。

（在这里建议从PointNet这篇论文入手）

 

 

---

前景：

3D点云的表达形式在3D场景理解中具有很好的研究前景，而且目前为止有很大的研究空间（欢迎大家进入点云的研究领域）。但是，3D的表达形式也不一定限制在点云方面，对于建模、可视化和仿真等也可以用其他的形式。

（此篇文章是听完斯坦福的博士祁芮中台的汇报所写，其中有一部分是个人想法，欢迎指出错误)