先根據個人認識總結一下目標提取的一般性步驟：
如上所示，三維點雲的目標提取關鍵性的兩步即為：特徵提取與選擇、分類，是不是整個方法流程與影象中的目標識別有點像。本質上看，凡是涉及到目標識別，其方法流程大體是相同的。為什麼要搞特徵提取，因為我們要識別的目標一般是在乙個大場景下，各種目標相互混雜，既然要對某個目標進行識別，當然就需要有乙個指標或者數值來最大化不同目標之前的區別，這個指標或者數值就是所謂的目標特徵了。所以我們在對目標進行識別時，往往要採用適合本目標的特徵。就比如說影象識別中的卷積神經網路cnn，為什麼它比用傳統通過手工設計的特徵進行識別的識別率要高一大截，本質原因就是cnn的特徵是通過學習得到的，而且特徵表示與分類器是聯合優化的。分類器就不累贅了，svm、boosting、決策樹等等。
特徵提取的重要性從以上就可以看得出來了，它是最終結果能不能滿足預期的最重要因素。來看看分類器的不同對結果的影響：
以上的分類器分別為最近鄰、決策樹、二次判別分析、svm，所使用的特徵是相同的。從結果中可以簡單的得出結論，影響目標識別的決定性因素肯定就是特徵提取了。其實這也是我理解為什麼cnn用的softmax分類器的原因，就是影響結果的不是分類器，而是特徵。
好了，總結一下三維點雲的特徵吧。
<1>2d特徵
2d幾何特徵：半徑、點密度、面積…
2d區域性形狀特徵
基於累積圖的特徵：格網點數、高程差、高程標準差…
<2>3d特徵
3d幾何特徵：半徑、高程差、高程標準差、點密度
3d區域性形狀特徵：線性特徵、平面特徵、散亂特徵、總方差、各向異性、特徵熵、特徵值和曲率…
<3>紋理特徵
rgb 強度
<4>統計圖特徵
點特徵直方圖pfh、快速點特徵直方圖fpfh、視點特徵直方圖vfh，signature
of histograms of orientations(shot)
<5>其他
三維點雲目標提取個人覺得還是很有研究前景的，畢竟目標整體的識別率不是很高，還有很多需要改進的地方。如前所說，影響整個結果的其實就是特徵提取這一步了，個人覺得可以從這一步出發來進行研究，本人也做過一些相關實驗，就是結合深度學習，（有時間的話可以介紹介紹這一塊）參閱了一些國外主流期刊，貌似做的人不多。還有一點，個人覺得最好是將三維點雲與其他感測器得到的資料進行融合來研究，特別是影象，研究的價值絕對是槓槓的。如果想知道一些具體的研究成果，大家可以去主流期刊看看，當然也可以問我啦，或者需要什麼資料也可以啦，為國家做做貢獻~~~
三維點雲目標提取總結
不知不覺，已經到了研究生的第三年了，明年就要畢業參加工作了，offer拿了幾個，基本的工作也差不多定下來了，畢竟研究生兩年時間主要研究方向是三維點雲的目標識別及三維重建 姑且認為是研究方向吧 正如國內的研究生境遇一樣，幾年的光輝時間都奉獻給了導師的幾個專案，做的東西也畢竟雜，精通的技能也談不上，乘著...
顯示三維點雲 三維雷射點雲資料建模
三維雷射點雲資料建模 常見的建模軟體有3dmax cad 草圖大師 revit等，在規則模型建模中，我們常會用到3dmax建模，在這裡就以3dmax為例來說明其在點雲建模應用的經驗 首先我們需要將採集到的點雲資料的原始格式轉換成autodesk軟體可以利用的rcs檔案，轉換工具就是recap或者re...
三維點雲綜述
三維影象的表現形式有 深度圖 以灰度表達物體與相機的距離 幾何模型 cad軟體建立 點雲模型 最常見 最基礎 影象處理三個層次 低層次 影象強化 濾波 邊緣檢測等 中層次 連通區域標記 label 影象分割等 高層次 物體識別 場景分析 點雲處理三個層次 低層次 濾波 關鍵點 keypoints 分...