1.前言
边缘检测是图像处理与计算机视觉中一项重要任务。边缘检测的目标是识别图像中的突然变化部分，即不连续的。直观地说，图像中的大多数语义和形状信息都可以编码到其边缘。如果能够在图像中精准地识别出边缘，那么目标物体就能被定位或是测量，与此同时物体的面积、物体的直径、物体的形状等就能被测量。边缘的形成有以下几种情况：平面的不连续；表面方向的不连续；物体材料不同；场景中光照不同等。
关于边缘检测的研究很多，传统方法中，边缘检测是基于手动设计的局部表面特征来进行决策的，例如Canny边缘检测[1]，DoG算子以及相关变形[2]，不过，它们对参数设置很敏感，并且在软边缘，噪声和稀疏数据附近通常表现不佳。而后随着深度学习的出现，一批基于神经网络的边缘检测方法出现了，例如HED[3]和RCF[4]。
点云数据是指在一个三维坐标系统中的一组向量的集合。扫描资料以点的形式记录，每一个点包含有三维坐标，有些可能含有颜色信息（RGB）或反射强度信息（Intensity）。随着3D采集技术的飞速发展，3D数据的获取越来越容易。3D数据中的丰富信息为更好地了解机器周围环境提供了机会。3D数据在不同领域具有众多应用，包括自动驾驶，机器人技术，遥感，医学治疗和设计行业。点云数据就是3D数据的一种常用表示格式，它将原始几何信息保留在3D空间中，而不会进行任何离散化。因此，它是诸如自动驾驶和机器人技术之类的许多场景理解相关应用程序的首选表示法。[5]
但传统的边缘检测方法并不能很好的应用在点云数据上，因为点云中的数据伪影十分普遍，近年来，关于3D点云处理的深度神经网络的研究激增，本文围绕点云特征边缘检测的传统及深度学习方法的最新进展进行了回顾。
2.参数基元推断
参数基元拟合是几何处理中一个长期存在的问题。在3D点云中检测或拟合参数特征曲线（例如Bezier曲线）已经得到了广泛的研究，通常以最小二乘形式表示，或者使用随机算法。最近的工作还研究了学习数据驱动的几何先验以进行形状拟合[26，27]。用于拟合长方体[28]，超二次方[29]和凸面[30，31]的端到端模型已经被提出。Li等[11]提出了一种监督方法来检测各种规模的各种原始块。与我们的工作类似，他们的网络首先预测每个点的属性，然后估计基元。
2.1最小二乘形式
[6]中提出了平方距离最小化（SDM），用于计算开放或闭合的平面B样条曲线，去近似由点云定义的目标形状，即一组无序的，可能嘈杂的数据点。主要步骤如下：
·指定B样条拟合曲线的适当初始形状。
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。
