29、点云处理与非线性系统控制研究

点云处理与非线性系统控制研究

在三维目标检测领域，特征对于提高目标检测的准确性至关重要。PointNet++ 作为一种分层神经网络，采用分层方式处理点云数据，将点云划分为重叠的局部区域，从小邻域中提取能代表精细几何结构的局部特征，再将这些局部特征处理并组合成更大的单元，以生成更高级的特征，能兼顾点云数据的局部和全局特征。

然而，由于遮挡、光反射、物体表面材料的透明度以及拍摄角度的限制等原因，点云的几何和语义信息会丢失，导致点云出现畸形。不完整的点云极大地限制了局部和全局特征的提取，从而降低了分类、部分分割和语义分割的准确性。

为解决三维目标检测中点云不完整导致检测精度降低的问题，提出了一种基于点云补全算法和特征提取算法的神经网络，主要贡献如下：
1. 基于 Modelnet 40 数据集，随机裁剪四分之一的点云，构建新的不完整点云数据集。
2. 基于 Point Fractal Network 补全不完整的点云。
3. 基于 PointNet++ 网络，提取补全后点云的特征，然后对其进行分类和检测。

实验表明，补全不完整的点云后，可以获得更完整的点云数据，提高了三维目标检测的准确性。

相关工作

• 形状补全 ：三维物体的形状补全主要基于三维体素和三维点云。基于体素的方法，如 3D-RecGAN、3D-Encoder-Predictor-Networks (3D-EPN) 以及 3D-ED-GAN 和 LRCN 的混合框架，已被用于修复不完整的数据。但基于体素的方法受输入数据分辨率的限制，随着分辨率的增加，对计算机计算能力的要求会急剧上升。点云由于数据量小且具有精细