基于深度学习的点云配准研究文献综述

1. 文献综述：

1.背景介绍

在模式识别中，二维图像的识别与理解在卷积神经网络的帮助下发展迅速，但是现实世界是三维世界，用三维技术去观察和表示现实世界仍然处于探索阶段，因此成为新的研究热点。立体视觉系统Stero、RGB-D摄像头、激光雷达的快速发展，使得三维数据的获取越来越高效、经济，与此同时，对于三维数据的处理识别方法也开始被关注和研究。Apple公司的FaceID和微软的Kinect体感游戏都是这些技术的典型应用。这些三维识别方法的研究在未来的三维医学影像、室内地图等应用中也将起到必不可少的推进作用。

2.三维点云常见处理

一般将图像处理分为三个层次，低层次包括图像强化，滤波，关键点提取等基本操作。中层次包括连通域标记，图像分割等操作。高层次包括物体识别，场景分析等操作。工程中的任务往往需要用到多个层次的图像处理手段。

PCL[4]官网对三维点云的处理方法给出了较为明晰的层次划分：

高斯滤波、条件滤波、直通滤波、随机采样一致性滤波是底层次点云处理常见的方法。低层次常见的关键点提取包括ISS3D、Harris3D、NARF，SIFT3D[5][6][7]等方法。而中层次常见特征提取常见的有法率和曲率的计算、3D Shape Context[7]。利用区域生长或者Ransac[8]、聚类对于点云进行分割，再利用所得的分割或者点对于语义进行分类是常见的中层处理。三维点云高层常见的处理有本文即将详细论述的点云配准、利用ICP、IDC、概率域进行SLAM、对于常见结构的不同层次进行重建、以及其它的点云数据管理（包括压缩、索引、LOD和大规模点云的渲染）。相关领域存在着许多有待开发、改进的方向。

3.三维图像配准方法

首先，点云配准过程，就是求一个两个点云之间的旋转平移矩阵（欧式变换矩阵），将源点云变换到目标点云相同的坐标系下。可以表示为以下的方程[9]:

其中就是源点云与目标点云中的一对对应点。点云配准所要求的就是其中的R与T旋转平移矩阵。