基于深度学习的点云目标识别开题报告

全文总字数：1138字

1. 研究目的与意义

目标识别的过程可以理解为视觉算法赋予计算机类似于人类的视觉辨识能力，使其通过传感器获得的图像信息来识别目标类别，并获得成像环境中三维目标的几何形状、位置和姿态等信息。

随着信息科学技术的迅猛发展及人工智能领域取得的阶段性进展，目标识别在航天、军事、交通、医学等众多领域中获得了广泛的运用，成为机器视觉领域的一个重要研究方向。

由于lidar技术的迅速普及，点云目标识别是当今计算机视觉的重要研究对象，广泛应用于室内机器人视觉识别系统，实现对复杂场景的理解和交互。

2. 国内外研究现状分析

近年来，伴随着革命性的三维激光扫描技术的迅速发展，三维点云日益成为业界关注的焦点。

相对于传统的单点测量或者二维成像，点云具有高效率、高精度、高分辨率等优点，因此在测绘、3d建模等领域获得了广泛的运用。

然而，点云数据相较于传统的图像而言明显缺乏规律性，如何运用近乎随机的点阵来实现对特定目标的识别一直是个难题，因此点云技术在目标识别领域的研究才刚刚起步。

3. 研究的基本内容与计划

研究内容：（1）探讨现有点云目标识别解决方案的特点，以及其相较于传统图像识别方案的优势。

（2）对斯坦福大学研究成果的验证与复现。

（3）在条件允许的前提下，在算法层面，对现有点云目标识别方案进行适度改进。

4. 研究创新点

点云直接处理深度学习算法及相关的研究均处于起步阶段，可供借鉴和参考的同类成果非常稀缺，存在大量的空白有待填补。

此次毕业设计的特色与创新即在不进行任何预处理的前提下，把原始点云数据代入深度网络进行学习，从而实现目标识别。

主要工作是对斯坦福大学研究成果pointnet 深度网络的理解与复现。