1. 3D圖像描述

2. RGB-D

3. 點云

4. 何為點云？

5. 點云的獲取

6. 點云的內(nèi)容

7. 點云的屬性

8. 點云目前的主要存儲格式包括：pts、LAS、PCD、.xyz 和. pcap 等

9. 相應(yīng)基礎(chǔ)算法庫對不同格式的支持

10. 三維點云有多種表示方法

11. 相比于圖像數(shù)據(jù),點云不直接包含空間結(jié)構(gòu),因此點云的深度模型必須解決三個主要問題

12. DataSets

13. Metric

14. 基于點云的分類

15. 基于點云的分割

16. 基于點云的目標檢測

17. 點云數(shù)據(jù)的增強和完整化

三維圖像是在二維彩色圖像的基礎(chǔ)上又多了一個維度，即深度（Depth，D），可用一個很直觀的公式表示為：

三維圖像 = 普通的 RGB 三通道彩色圖像 + Depth Map。

3D圖像描述：

· 第一種分法：

o 第多邊形網(wǎng)格

o 基于體素的描述

o 點云

o 隱式表面

o 基于視圖的描述

· 第二種分法：

o 深度圖像（depth images）

o 點云

o 網(wǎng)格（meshes）

o 體積網(wǎng)格（volumetric grids）

RGB-D

RGB-D 是廣泛使用的 3D 格式，其圖像每個像素都有四個屬性：即紅（R）、綠（G）、藍（B）和深度（D）。

在一般的基于像素的圖像中，我們可以通過（x，y）坐標定位任何像素，分別獲得三種顏色屬性（R，G，B）。而在 RGB-D 圖像中，每個（x，y）坐標將對應(yīng)于四個屬性（深度 D，R，G，B）。

點云

我們在做 3D 視覺的時候，處理的主要是點云，點云就是一些點的集合。相對于圖像，點云有其不可替代的優(yōu)勢——深度，也就是說三維點云直接提供了三維空間的數(shù)據(jù)，而圖像則需要通過透視幾何來反推三維數(shù)據(jù)。

何為點云？

· 其實點云是某個坐標系下的點的數(shù)據(jù)集。點包含了豐富的信息，包括三維坐標 X，Y，Z、顏色、分類值、強度值、時間等等。點云在組成特點上分為兩種，一種是有序點云，一種是無序點云。

o 有序點云：一般由深度圖還原的點云，有序點云按照圖方陣一行一行的，從左上角到右下角排列，當(dāng)然其中有一些無效點因為。有序點云按順序排列，可以很容易的找到它的相鄰點信息。有序點云在某些處理的時候還是很便利的，但是很多情況下是無法獲取有序點云的。

o 無序點云：無序點云就是其中的點的集合，點排列之間沒有任何順序，點的順序交換后沒有任何影響。是比較普遍的點云形式，有序點云也可看做無序點云來處理。

點云表示的優(yōu)點：

· 點云表示保留了三維空間中原始的幾何信息，不進行離散化

點云當(dāng)前面臨的挑戰(zhàn)：

· 數(shù)據(jù)集規(guī)模小

· 高維性

· 3維點云的非建構(gòu)化特性

點云的獲?。?/strong>

· 點云不是通過普通的相機拍攝得到的，一般是通過三維成像傳感器獲得，比如雙目相機、三維掃描儀、RGB-D 相機等。目前主流的 RGB-D 相機有微軟的 Kinect 系列、Intel 的 realsense 系列、structure sensor（需結(jié)合 iPad 使用）等。點云可通過掃描的 RGB-D 圖像，以及掃描相機的內(nèi)在參數(shù)創(chuàng)建點云，方法是通過相機校準，使用相機內(nèi)在參數(shù)計算真實世界的點（x，y）。因此，RGB-D 圖像是網(wǎng)格對齊的圖像，而點云則是更稀疏的結(jié)構(gòu)。此外，獲得點云的較好方法還包括 LiDAR 激光探測與測量，主要通過星載、機載和地面三種方式獲取。

點云的內(nèi)容：

· 根據(jù)激光測量原理得到的點云，包括三維坐標（XYZ）和激光反射強度（Intensity），強度信息與目標的表面材質(zhì)、粗糙度、入射角方向以及儀器的發(fā)射能量、激光波長有關(guān)。根據(jù)攝影測量原理得到的點云，包括三維坐標（XYZ）和顏色信息（RGB）。結(jié)合激光測量和攝影測量原理得到點云，包括三維坐標（XYZ）、激光反射強度（Intensity）和顏色信息（RGB）。

點云的屬性：

· 空間分辨率、點位精度、表面法向量等。

· 點云可以表達物體的空間輪廓和具體位置，我們能看到街道、房屋的形狀，物體距離攝像機的距離也是可知的；其次，點云本身和視角無關(guān)，可以任意旋轉(zhuǎn)，從不同角度和方向觀察一個點云，而且不同的點云只要在同一個坐標系下就可以直接融合。

點云目前的主要存儲格式包括：pts、LAS、PCD、.xyz 和. pcap 等

o pts 點云文件格式是最簡便的點云格式，直接按 XYZ 順序存儲點云數(shù)據(jù)， 可以是整型或者浮點型。

· LAS 是激光雷達數(shù)據(jù)（LiDAR），存儲格式比 pts 復(fù)雜，旨在提供一種開放的格式標準，允許不同的硬件和軟件提供商輸出可互操作的統(tǒng)一格式。LAS 格式點云截圖，其中 C：class(所屬類)，F(xiàn)：flight(航線號)，T：time(GPS 時間)，I：intensity(回波強度)，R：return(第幾次回波)，N：number of return(回波次數(shù))，A：scan angle(掃描角)，RGB：red green blue(RGB 顏色值)。

· PCD 存儲格式，現(xiàn)有的文件結(jié)構(gòu)因本身組成的原因不支持由 PCL 庫（后文會進行介紹）引進 n 維點類型機制處理過程中的某些擴展，而 PCD 文件格式能夠很好地補足這一點。PCD 格式具有文件頭，用于描繪點云的整體信息：定義數(shù)字的可讀頭、尺寸、點云的維數(shù)和數(shù)據(jù)類型；一種數(shù)據(jù)段，可以是 ASCII 碼或二進制碼。數(shù)據(jù)本體部分由點的笛卡爾坐標構(gòu)成，文本模式下以空格做分隔符。
PCD 存儲格式是 PCL 庫官方指定格式，典型的為點云量身定制的格式。優(yōu)點是支持 n 維點類型擴展機制，能夠更好地發(fā)揮 PCL 庫的點云處理性能。文件格式有文本和二進制兩種格式。

· .xyz 一種文本格式，前面 3 個數(shù)字表示點坐標，后面 3 個數(shù)字是點的法向量，數(shù)字間以空格分隔。

· .pcap 是一種通用的數(shù)據(jù)流格式，現(xiàn)在流行的 Velodyne 公司出品的激光雷達默認采集數(shù)據(jù)文件格式。它是一種二進制文件

· obj是一種文本文件，通常用以“#”開頭的注釋行作為文件頭，數(shù)據(jù)部分每一行的開頭關(guān)鍵字代表該行數(shù)據(jù)所表示的幾何和模型元素，以空格做數(shù)據(jù)分隔符

相應(yīng)基礎(chǔ)算法庫對不同格式的支持

· PCL（Point Cloud Library）庫支持跨平臺存儲，可以在 Windows、Linux、macOS、iOS、Android 上部署?？蓱?yīng)用于計算資源有限或者內(nèi)存有限的應(yīng)用場景，是一個大型跨平臺開源 C++ 編程庫，它實現(xiàn)了大量點云相關(guān)的通用算法和高效數(shù)據(jù)結(jié)構(gòu)，其基于以下第三方庫：Boost、Eigen、FLANN、VTK、CUDA、OpenNI、Qhull，實現(xiàn)點云相關(guān)的獲取、濾波、分割、配準、檢索、特征提取、識別、追蹤、曲面重建、可視化等操作，非常方便移動端開發(fā)。

· VCG 庫（Visulization and Computer Graphics Libary）是專門為處理三角網(wǎng)格而設(shè)計的，該庫很大，且提供了許多先進的處理網(wǎng)格的功能，以及比較少的點云處理功能。

· CGAL（Computational Geometry Algorithms Library）計算幾何算法庫，設(shè)計目標是以 C++ 庫的形式，提供方便、高效、可靠的幾何算法，其實現(xiàn)了很多處理點云以及處理網(wǎng)格的算法。

· Open3D 是一個可以支持 3D 數(shù)據(jù)處理軟件快速開發(fā)的開源庫。支持快速開發(fā)處理 3D 數(shù)據(jù)的軟件。Open3D 前端在 C++ 和 Python 中公開了一組精心選擇的數(shù)據(jù)結(jié)構(gòu)和算法。后端經(jīng)過高度優(yōu)化，并設(shè)置為并行化。Open3D 是從一開始就開發(fā)出來的，帶有很少的、經(jīng)過仔細考慮的依賴項。它可以在不同的平臺上設(shè)置，并且可以從源代碼進行最小的編譯。代碼干凈，樣式一致，并通過清晰的代碼審查機制進行維護。在點云、網(wǎng)格、rgbd 數(shù)據(jù)上都有支持。

三維點云有多種表示方法

· （如圖所示），不同的表示對應(yīng)著不同的處理方法。比較容易的處理方式為將其投影為二維圖像或者轉(zhuǎn)換為三維體素 (Voxel)，從而將無序的空間點轉(zhuǎn)變?yōu)橐?guī)則的數(shù)據(jù)排列；也可以使用原始點作為表示，不做任何變換，該方式的好處為最大可能保留所有原始信息。此外，點云作為空間無序點集，可以被看作普適意義上的圖數(shù)據(jù)。點云還有另外一種表示，稱作網(wǎng)格 (Mesh)，其也可以被看作是構(gòu)建了局部連接關(guān)系的點，即為圖。將點云看作圖數(shù)據(jù)，可以使用圖領(lǐng)域新興的圖卷積 (Graph Convolution) 技術(shù)進行處理。需要提及的是，原始點的表示和圖表示之間并無明確界限（事實上原始點云和網(wǎng)格 (Mesh) 之間有一定區(qū)別，但若從語義理解方法的角度看，可暫時忽略此區(qū)別，將Mesh看作是增加了一種連接關(guān)系）

o 基于二維投影的方法。CNN 最好的應(yīng)用領(lǐng)域在于圖像處理，將三維點云數(shù)據(jù)投影到二維圖像平面，即可使得 CNN 應(yīng)用于點云數(shù)據(jù)成為可能。

o 基于三維體素的方法。對三維點云進行二維投影降低了算法處理的難度，但是三維到二維的投影必然帶來幾何結(jié)構(gòu)信息的損失，直接進行三維特征的提取在一些場景下是非常有必要的。一種最自然的想法便是 CNN 的延拓，將二維卷積神經(jīng)網(wǎng)絡(luò)拓展一個維度，使其可以處理三維排列的數(shù)據(jù)；同時，對點云進行體素化 (Voxelization)，將其轉(zhuǎn)換為空間上規(guī)則排布的柵格，使得三維卷積神經(jīng)網(wǎng)絡(luò)(Three Dimension Convolutional Neural Network, 3DCNN) 可以直接應(yīng)用在這種表示上。

o 基于原始點的方法。無論是二維投影還是三位體素，均需要對原始點云進行一定的轉(zhuǎn)換，而轉(zhuǎn)換必然帶來數(shù)據(jù)信息的損失。

o 基于圖的方法?，F(xiàn)實生活中存在大量的非結(jié)構(gòu)化數(shù)據(jù)，如交通網(wǎng)絡(luò)、社交網(wǎng)絡(luò)等，這些數(shù)據(jù)的節(jié)點間存在聯(lián)系，可以表示為圖。研究圖數(shù)據(jù)的學(xué)習(xí)是近年來學(xué)界的熱點。三維點云數(shù)據(jù)可以看作圖數(shù)據(jù)的一種，圖網(wǎng)絡(luò)的很多思想可以被借鑒于點云數(shù)據(jù)的特征學(xué)習(xí)中。圖卷積 (Graph Convolution Network, GCN) 可分為基于譜的圖卷積(Spectralbased GCN) 和基于空間的圖卷積 (Spatial-based GCN)。

相比于圖像數(shù)據(jù),點云不直接包含空間結(jié)構(gòu),因此點云的深度模型必須解決三個主要問題:

1. 如何從稀疏的點云找到高信息密度的表示,

2. 如何構(gòu)建一個網(wǎng)絡(luò)滿足必要的限制如size-variance和permutation-invariance,

3. 如何以較低的時間和計算資源消耗處理大量數(shù)據(jù)

DataSets

Metric

o Classification method: overall accuracy , mean accuracy

o Segmentation models: accuracy , (m)IoU

o detection tasks: (m)IoU , accuracy , precision , recall

o Object tracking: MOTA , MOTP

o scene for estimation: EPE

o 3D match and registration models: ROC curves

基于點云的分類

o 對點云的分類通常稱為三維形狀分類。與圖像分類模型相似，三維形狀分類模型通常是先通過聚合編碼器生成全局嵌入，然后將嵌入通過幾個完全連通的層來獲得最終結(jié)果。

o 基于點云聚合方法，分類模型大致可分為兩類:基于投影的方法和基于點的方法

o 基于投影的方法

§ 基于投影的方法將非結(jié)構(gòu)化的三維點云投影到特定的預(yù)設(shè)模態(tài)中(例如體素、柱狀體)，并從目標格式中提取特征，從而在相應(yīng)方向上受益于之前的研究成果。

§ Multi-view representation

§ MVCNN：

§ GVCNN

§ Volumetric representation

§ VoxNet

§ 3D ShapeNet

§ OctNet

§ OCNN

§ Basis point set

§ BPS

o 基于點的方法：

§ 與基于投影的方法從空間鄰域中聚合點相比，基于點的方法嘗試從單個點中學(xué)習(xí)特征。

§ MLP networks

§ Convolutional networks

§ Graph networks

§ 圖網(wǎng)絡(luò)將點云視為圖，將圖的頂點視為點，并根據(jù)每個點的鄰居生成邊。特征將在空間或光譜領(lǐng)域?qū)W習(xí)

基于點云的分割

o 數(shù)據(jù)來自 Mobile Laser Scanners (MLS), Aerial Laser Scanners (ALS), static Terrestrial Laser Scanners (TLS), RGBD cameras and other3D scanners

o 3D分割的目的是對每個點進行標記，這需要模型在每個點上收集全局上下文和詳細的局部信息。。在三維圖像分割中，主要有兩個任務(wù):語義分割和實例分割。

o Semantic Segmentation

§ 語義分割方法大致可分為基于投影的方法和基于點的方法

§ Projection-based methods

§ Huang和You將輸入點云投射到占用體素中，然后將其送入3D卷積網(wǎng)絡(luò)，生成體素級標簽。

§ ScanComplete利用全卷積網(wǎng)絡(luò)來適應(yīng)不同的輸入數(shù)據(jù)大小，并部署一個由粗到細的策略來提高預(yù)測的層次分辨率。

§ Point-based methods

o Instance Segmentation

§ Proposal-based methods

§ 可以看作是目標檢測和掩模預(yù)測的結(jié)合。

§ Proposal-free methods

§ 無提案的方法傾向于基于聚類等算法的語義分割來生成實例級標簽。

§ 無提案方法不受區(qū)域提案層計算復(fù)雜度的影響;然而，它們通常很難從聚類中產(chǎn)生區(qū)分對象邊界

o 同時解決語義分割和實例分割的樸素方法有兩種:(1)先解決語義分割，根據(jù)語義分割的結(jié)果在某些標簽點上運行實例分割;(2)先解決實例分割，直接分配帶有實例標簽的語義標簽。這兩個階梯式范式高度依賴于第一步的輸出質(zhì)量，不能充分利用兩個任務(wù)之間的共享信息。

基于點云的目標檢測

o 3D目標檢測可以分為3類：multi-view method，projection-based method，point-based method

o Projection-based methods

o Point-based method

§ 大多數(shù)基于點的方法都試圖在特征提取過程中使信息損失最小化，是目前性能最好的一組方法。

§ 與上述多視圖方法相比，基于分割的方法對于復(fù)雜場景和遮擋對象有更好的效果。

點云數(shù)據(jù)的增強和完整化

o 由激光雷達收集的點云，特別是那些來自室外場景的點云，遭受不同種類的質(zhì)量問題，如噪音，異常值，和遺漏點。所以我們的目標是補全缺失的點，移除掉異常的點。

o Discriminative Methods

§ 傳統(tǒng)的方法包括局部表面擬合、鄰域平均和猜測底層噪聲模型

§ PointCleanNet提出了一種基于數(shù)據(jù)驅(qū)動的方法去消除錯誤點減少噪聲

§ PCPNet首先對異常值進行分類并丟棄它們，然后估計一個將噪聲投影到原始表面的修正投影

§ Total Denoising，在不需要額外數(shù)據(jù)的情況下實現(xiàn)了非監(jiān)督降噪對點云數(shù)據(jù)

§ 臨界點層(CPL)在保留重要點的同時學(xué)會減少點的數(shù)量。這一層是確定性的，不確定順序的，并且通過避免鄰接搜索也很有效。

§ 通過將采樣后的點近似為原始點的混合來逼近點采樣的可微松弛

o Generative Methods

§ 通過生成假樣本，幫助定位網(wǎng)絡(luò)的潛在缺陷。

§ point perturbation and point generation：擾動是通過對已有的點進行可忽略的移動來實現(xiàn)的，生成是通過添加一些獨立分散的點或少量具有預(yù)定義形狀的點簇來實現(xiàn)的。

§ 除了對抗性生成，生成模型也用于點云上采樣。向上采樣點云通常有兩種動機。一是減少數(shù)據(jù)的稀疏性和不規(guī)則性，二是恢復(fù)遮擋造成的缺失點