基于VoxelNet神经网络的三维点云行人检测技术研究述评
摘 要：三维点云的语义分割3D Point Cloud Semantic Segmentation (PCSS)在计算机视觉以及机器人领域广泛的应用，随着深度学习技术的发展在点云的语义分割领域提供了新的可能性，并受到越来越多的关注，本文将着重的介绍这一主题的相关研究，从遥感领域和计算机视觉的角度概述三维点云的分割，并且结合已经发表的PCSS相关的文章作为研究基础，进行总结和比较，并且对传统的以及最新的点云分割技术进行回顾和比较。点云分割算法（PCS）主要基于从几何约束和统计规则出发制定的严格的人工设计的特征。PCS的主要过程是将原始3D点分组为非重叠区域。这些区域对应于一个场景中的特定结构或对象。由于这种分割过程不需要有监督的先验知识，因此所得到的结果没有很强的语义信息。这些方法可以分为四大类：基于边缘的、基于区域增长的、基于模型拟合的和基于聚类的四种方法。点云语义分割（PCSS）的过程类似于基于聚类的PCS。但与非语义分割的PCS方法相比，PCSS会为每个点生成语义信息，并且不仅限于聚类方式（无监督学习）。因此，PCSS通常通过有监督的学习方法来实现，包括常规的有监督机器学习和最新的深度学习方法。
关键词： PCSS；基于边缘的PCS；基于聚类的PCS；基于机器学习的的PCS；基于深度学习的PCS
Review of pedestrian detection technology based on voxelnet neural network in 3D point cloud
Abstract: 3D Point Cloud Semantic Segmentation (PCSS) is widely used in the field of computer vision and robotics. With the development of deep learning technology, it provides new possibilities in the field of semantic segmentation of point clouds. With more and more attention, this article will focus on the relevant research on this topic, outline the segmentation of 3D point clouds from the perspective of remote sensing and computer vision, and combine the published PCSS-related articles as the research basis for summary and comparison , And review and compare the traditional and the latest point cloud segmentation techniques. The point cloud segmentation algorithm (PCS) is mainly based on strict manual design features based on geometric constraints and statistical rules. The main process of PCS is to group the original 3D points into non-overlapping areas. These areas correspond to specific structures or objects in a scene. Since this segmentation process does not require supervised prior knowledge, the results obtained do not have strong semantic information. These methods can be divided into four categories: edge-based, regional growth-based, model-fitting and cluster-based four methods. The process of point cloud semantic segmentation (PCSS) is similar to cluster-based PCS. But compared with the PCS method of non-semantic segmentation, PCSS will generate semantic information for each point, and is not limited to clustering (unsupervised learning). Therefore, PCSS is usually implemented through supervised learning methods, including conventional supervised machine learning and the latest deep learning methods.
Keywords: PCSS; edge-based PCS; clustering-based PCS; machine learning-based PCS; deep learning-based PCS
点云语义分割是具有很长的研究历史，点云语义分割在计算机视觉领域中是广泛的使用，尤其是在深度学习的应用中。在遥感领域PCSS通常被称之为“点云分类”，在某些情况下，也可以理解为“点云标记”，在本文中是指点云的每个点与语义的标签关联起来的任务称为PCSS。在基于监督学习的方法中广泛的使用在语义分割领域之前，对2.5D/3D的点云数据的非监督分割是指在不考虑语义信息的情况下，对具有相似的几何或者光谱特征的点云进行分类，所以在PCSS中，PCS（点云分割）可以作为一个预分割的步骤，并且影响着最终的语义结果。单个的物体的结构不能直接通过一帧的原始点云获取，比如城市规划和建筑信息建模（BIM）需要参考建筑物或者人造物，森林的遥感监测需要基于树木的几何结构信息，机器人的应用如同时构建地图与定位（SLAM）需要室内环境来绘制地图，在自动驾驶，目标检测，分割与分类是构建高精地图所必须的，所以点云的分割以及语义分割是3D视觉领域基本且关键的任务。
基于点云的传统的分割方法(PCS)
基于边缘的点云分割算法
基于边缘的PCS方法是将基于二维图像方法直接应用转换为三维点云，这种方法主要用于PCS的早期阶段，由于物体的形状是由边缘来描述的，因此可以通过寻找靠近边缘区域的点来解决PCS问题。基于边缘的方法的原理是定位亮度快速变化的点，这类似于一些二维图像分割方法。基于边缘的分割算法主要分为两个阶段：
（1）边缘检测，提取不同区域的边界；
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。
