点云与图像融合的应用方向及研究建议、一图梳理3D目标检测发展脉络————基于图像、点云、融合的3D目标检测经典方法总结

文章目录

  • 一、前言
  • 二、3D目标检测算法梳理
  • 三、总结

一、前言

前些日子作者对点云与图像融合领域进行了一些调查,经过作者浅显的调查发现现今的“点云与图像融合”主要作为一种综合工程手段应用在3D目标检测(包括但不限于:车道线识别、距离估算、有遮挡的目标识别)等自动驾驶领域。因此在调研的过程中梳理了3D目标检测算法的主要实现方法,并对各种经典算法做了类别区分。

二、3D目标检测算法梳理

注:这里只给出了算法的缩写,就不单独给出算法的出处文献了。如果读者对某个具体的算法感兴趣,可以在百度搜索对应的缩写名称便能看到具体的介绍。

三、总结

经过这一番调研来看,目前的点云与图像融合主要被用于3D目标检测等任务
它提出的初衷是提高3D目标检测的精度,因为前几年提出的基于点云的目标检测算法的精准度不高;单独基于图像的检测又无法获得目标的3维信息。融合作为一种折中策略成为大多数学者的选择。但随着点云处理网络的不断更迭,现在单独基于点云的3D目标检测的精度已经大幅超越基于融合的方法。以图中提到的IA-SSD方法为例,它现在的识别精度已经能到90%以上,是目前最优秀的3D目标检测算法。如果单纯从提高算法对一般3D目标的检测精度这个出发点来说,点云与图像融合这项策略已经没有存在的必要了。而且客观实事是:这个领域的研究论文越来越少了。
当然,点云与图像融合在目标检测领域也并非一无是处。如果有小伙伴仍旧想研究这个方向,作者可以浅浅的给出几点建议:
1、将点云与图像融合的方法引入对特殊3D目标的检测,专供特定情况下的目标检测,比拼在处理特定目标时的精准度。例如:有遮挡的目标,体貌特征相似的目标(在点云成像中难以区分)。
2、偏向工程目标检测算法研究:一种全天候全时段的目标检测算法,将融合作为一种保证机制加入算法中,比如在点云不能很好的发挥作用的时候自动引入图像进行信息补全,进而做到精度加成。重点强调算法的稳健和全适用。
3、跳出目标检测的圈子,将点云与图像融合作为一种基础方法用来整合多传感器的信息,偏向理论指导。其实这才是融合的意义,不要局限于目标检测,偏向系统基层模块架构。

参考文献:
1、基于图像和点云融合的全天候三维车辆检测方法研究
2、Multi-View 3D Object Detection Network for Autonomous Driving

你可能感兴趣的:(点云,目标检测,3d,计算机视觉)