2.4 实战项目：3D物体检测

近年来，由于对汽车激光雷达传感器的大幅度改进，使得点云处理对自动驾驶越来越重要。而供应商的传感器能够实时提供周围环境的三维点，其优点是可以直接测量对象的距离，因此得以开发出用于自动驾驶的物体检测算法。这些算法可精确估算3D空间中不同物体的位置和方向。与图像相比，激光雷达点云稀疏，且分布在整个测量区域。然而，这些点是无序的，它们在本地相互作用，且不能被孤立地分析。通常，基于深度学习的对象检测和分类是一项众所周知的任务，并且广泛用于图像的2D边界框回归。其研究的重点主要是准确性和效率之间的折中。而对于自动驾驶，效率更为重要。因此，最好的物体检测器，使用区域提议网络（RPN）或类似的基于网格的RPN方法。这些网络非常高效、准确，甚至可以在专用硬件或嵌入式设备上运行。目前，点云上的对象检测仍然做得很少，但是越来越重要。这些应用程序必须能够预测3D边界框。当前，使用深度学习主要有如下三种方法：

● 使用多层感知器的直接点云处理。

● 使用卷积神经网络（CNN）将点云转换为体素或图像堆栈。

● 组合融合方法。

这里选取一篇论文[32]作为参考，介绍目前3D物体检测方面的最新发展，并结合其对应的源代码进行讲解。