「3D Object Detection」点云目标检测、分割框架

本篇文章主要记录看论文过程中的一些点云目标检测、分割的框架,只有3D部分。

参考论文:Linking Points With Labels in 3D: A Review of
Point Cloud Semantic Segmentation

1 点云分割技术

点云分割类型包括点云分割(Point Cloud Segmentation, PCS)和点云语义分割(Point Cloud Semantic Segmentation, PCSS)。点云语义分割是将每个点云点都预测出语义标签,而点云分割的细粒度没有语义分割这么细。因此点云分割可以作为点云语义分割的一个预分割。

PCS:基于边缘(Edge-based)
由于目标的形状是由边缘描述的,因此基于边缘的点云分割关键在于找出那些边缘变化剧烈的点,这些点构成了目标的边缘。

PCS:基于区域增长(Region growing)
区域增长方法使用特定的标准将两个点云/区域结合起来,测量像素、点或体素之间的相似性,最后合并在空间上接近、表面属性相似的部分。

PCS:模型拟合(Model fitting)
模型拟合的核心概念年是,使用简单几何形状来适配点云中的形状,因此模型拟合方法也被称作形状检测或形状提取。然后当使用集合形状模型来处理场景时,模型拟合也可以看作一种分割方法。

大多数模型拟合方法主要基于两个经典算法:霍夫变换(Hough Transform, HT)和随机抽样一致(Random Sample Consensus, RANSAC)。

霍夫变换是图像处理中的一种技术,最先在2D图像直线检测中提出。霍夫变换主要分为三步:1)映射原始空间中的每个样本到离散化的参数空间 2)在参数空间中设定一个累加器数组,并对映射到参数空间中的成员进行基础几何元素投票 3)选择局部最高分数的累加器,其对应的参数即代表一个原始空间中的集合分割。

随机抽样一致技术主要包括两个阶段:1)从随机样本中生成假设,生成假设需要手动定义或筛选 2)在数据中验证(假设估计/模型确认)。

PCS:非监督聚类(Unsupervised clustering)
非监督聚类方法在PCS中是一种广泛常见的方法。严格说PCS中基于聚类方法并不是一种特定的数学理论,它是各种不同方法的混合。聚类将有相似几何特征、空间特征、空间分布的点组织形成统一的模式。聚类中广泛使用的算法包括:

  • K-means聚类
  • Fuzzy聚类
  • Mean-shift聚类
  • Graph聚类
  • 超分割、超级体素、预分割

2 点云语义分割技术

常规监督机器学习

深度学习

  • 基于多视角
  • 基于体素方法
  • 基于原始点云

混合方法

语义部分没细看,基本三大块就是记录中的三部分。细节见论文链接。

你可能感兴趣的:(3d,目标检测,计算机视觉)