前言

自动驾驶领域好像更为关注的是二维图像的物体检测，二维图像的语义特征比较丰富，对复杂特征有比较好的检测精度。现在比较流行的做法是，在二维图像上进行目标检测，后期结合雷达等测距信息，将二维数据映射到三维空间中。对语义特征比较复杂的情景，这种方式很有效，但是对一些比较简单的物体，基于三维点云方式的检测更精确。

基于三维点云的目标检测

传统方式：

主要步骤：分割地面->点云聚类->特征提取->分类。

基于深度学习的方式：

Frustum PointNets方式。

基于深度学习方式的挑战：

• 非结构化数据，只是一堆点xyzi，没有网格之类的组织结构。
• 无序性，相同的点云可以由多个完全不同的矩阵表示。
• 数量变化大：图像中像素数量是常数，点云的数量可能会有很大。
• 表现形式变化大：一辆车向左转，同一辆车向右转，会有不同的点云代表同一辆车。
• 缺少数据：没有图片数据多，扫描时通常被遮挡数据会有丢失