全文总字数：8445字
基于深度学习的点云目标识别
摘要：随着图像识别技术的日趋成熟，其不足也逐渐显露，难以满足计算机视觉迅猛发展对准确性、快速性的要求。在这样的背景下，三维点云开始成为计算机图像和模式识别领域的研究热点。但是，由于其低密度、无规律等特性，以及人类对三维特征的处理方法知之甚少，阻碍了点云在目标识别领域的应用。人工智能与深度学习的兴起给研究者们带来了全新的思路，本文将综述基于深度学习的点云目标识别研究现状，并据此拟定初步研究方案。
关键词：深度学习、点云处理、目标识别、三维特征
- 研究的背景、目的和意义
英特尔创始人之一的戈登·摩尔曾经指出，当价格不变时，集成电路上可容纳的晶体管数量约每18-24个月便会增加一倍，性能也会增加一倍。这便是著名的摩尔定律。计算机技术日新月异的同时，也在以出乎人们预料的方式深刻地改变着整个世界，并重塑我们的生活方式。在这样的背景下，计算机视觉和人工智能“忽如一夜春风来，千树万树梨花开“一般，从科幻电影中来到了每一个人的身边。
图像目标识别是目前运用最为广泛的机器视觉技术，它涵盖了社会生活、科学研究的方方面面。从支付宝付款时扫描的“二维码“，到相机的自动场景辨认；从简单的指纹识别 ，到准确度极高的人脸识别；从基于卫星图像精准模拟的天气预报，到通过高分辨率太空望远镜搜寻暗物质的踪迹hellip;hellip;然而，实际的运用场景复杂多变，仅仅依靠图像很难做出可靠的分析，二维图像作为现实中三维物体的投影，在获取过程中必然损失大量的信息，例如物体之间的位置关系和遮挡关系，这极大限制了机器视觉的使用范围和准确性。因此，目标识别技术的三维化发展是必然趋势。
目标识别的过程可以理解为视觉算法赋予计算机类似于人类的视觉辨识能力，使其通过传感器获得的图像信息来识别目标类别，并获得成像环境中三维目标的几何形状、位置和姿态等信息。由于LiDAR技术的迅速普及，点云目标识别渐渐成为当今计算机三维视觉的重要研究对象，广泛应用于室内机器人视觉识别系统，实现对复杂场景的理解和交互。苹果、小米、华为等业界领先的通信设备制造商已经率先将基于点云的“3D结构光”技术用于手机、平板电脑等消费产品中，增强了面部识别、3D建模以及AR测绘等功能的准确度及反应速度，带动了一波消费热潮的同时，也拓展了未来移动设备的发展潜力。
目标识别的效率与准确度日益成为智能机器人、无人驾驶等应用推广的瓶颈，它限制了计算机能否像人类一样正确理解复杂环境并作出判断、决策的能力。由此，开发一套基于三维点云的精确目标识别技术方案就有较强的迫切性。鉴于三维数据的复杂性，用常规的人工分析方法选取特征描述子具有非常高的难度，这也是三维目标识别发展缓慢的主要原因。
近年来，伴随着计算机硬件性能的爆发式增长，深度学习技术的兴起，对数据特征的研究犹如久旱逢甘霖一般迎来了空前的机遇。运用深度学习算法，将数据代入神经网络自动学习以获取特征，既免去了人工寻找特征的麻烦，也提高了特征表述的准确度。如今，深度学习在图像识别领域取得的成果已经向世人证明了其潜力，我们有理由相信这项技术经过不断的演进在三维识别领域同样能有不俗的表现。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
