（2）激光雷達

激光雷達通過發射激光脈衝並測量激光傳輸時間計算感測器到目標表面的距離，其作用距離可達數公里。激光雷達主要分為掃描式與面陣式激光雷達兩類，而掃描式激光雷達又可進一步劃分為移動式（機載、車載和船載等）激光雷達以及靜態激光雷達兩個子類。掃描式激光雷達主要用於遙感、測繪和製圖等民用領域，其技術已相對成熟。目前，Optech、RIEGL 以及Velodyne 等公司都有比較完整的產品系列，其中圖1(b) 所示為Optech 公司出品的ILRIS-LR 靜態激光雷達。面陣式激光雷達可一次性獲得場景的三維點雲，主要應用於軍事領域。據公開報道，MIT 林肯實驗室於2005 年開發了32×32 單元的面陣激光雷達，並已在2014年獲得了128×128 單元的面陣激光雷達。國內科研單位如哈爾濱工業大學以及西南技術物理研究所等已針對面陣激光雷達持續開展了大量研究，但目前仍有部分關鍵技術亟待突破。

（3）三角測距

這類感測器首先將一束激光發射到物體表面上，並採用一個相機記錄光斑的位置，通過解算激光發射器、光斑以及相機三者構成的三角形，可以獲得物體表面上光斑的三維坐標。這類感測器的作用距離只有幾米，測量速度較慢，且在測量過程中物體必須保持靜止，但其測距精度相對較高。目前，依此原理開發出的感測器產品包括Cyberware 3030 以及Konica Minolta Vivid 910 （如圖1(c) 所示）等。

（4）結構光

這類感測器將一個具有固定模式的光斑投影到物體表面，通過測量光斑模式的形變從而解算出表面點的位置信息。這類感測器可實時獲取目標點雲，但其數據質量通常不高，包含大量的孔洞和逸出點。典型設備包括InspeckMega CapturorII 3D 以及Kinect（如圖1(d) 所示）。

（5）立體視覺

這類感測器採用兩個或更多相機獲取同一個物體的二維圖像，通過尋找兩幅圖像間的對應點解算出其空間坐標。這類感測器可實時地獲得目標的點雲，但其數據質量通常不高。典型設備包括3DMD 動態三維立體視覺系統以及BumblebeeXB3（如圖1(e) 所示）。

目前，點雲感測器正朝著小型化和商業化的方向發展，應用領域逐漸從軍事及工業應用轉移到消費級應用。繼微軟公司於2010 年底推出Kinect 感測器以來，華碩公司於2011 年推出了類似的Xtion 感測器，微軟和創新公司又於2013 年分別推出了Kinect 二代和Senz3D 感測器。而谷歌公司則在2014 年推出了帶點雲感測器的Tango 手機和平板電腦，目前已提供給全球開發者開展相關研究。此外，因特爾公司的RealSense 3D 相機也將在近期面世，從而進一步推高點雲研究的熱潮。

2、點雲處理技術概述

基於點雲的三維模型重建與目標識別技術的研究大致起步於上世紀70 年代，並在上世紀80-90 年代取得了部分階段性成果。之後一段時間，受感測器技術及點雲數據來源的限制，相關研究進展較為緩慢。近十年來，隨著感測器技術的突破和計算能力的提高，三維模型重建與目標識別技術受到了學界和業界廣泛關注，並取得了一系列新的進展。

在點雲特徵提取方式上，現有演算法可以分為基於全局特徵的方法和基於局部特徵的方法兩類。全局特徵利用點雲上所有點的信息構建特徵描述子。然而，由於複雜場景下的物體遮擋、數據解析度變化、雜訊幹擾、背景影響以及視點變化等，使得獲取的點雲具有顯著的多樣性。這些多樣性使得局部特徵比全局特徵更加勝任現實世界中的點雲表示。局部特徵提取通常包括關鍵點檢測和局部特徵描述兩個步驟，其構成了三維模型重建與目標識別的基礎和關鍵。在二維圖像領域，基於局部特徵的演算法已在過去十多年間取得了大量成果並在圖像檢索、目標識別、全景拼接、無人系統導航、圖像數據挖掘等領域得到了成功應用。類似的，點雲局部特徵提取在近年來亦取得了部分進展，之後會進行詳細的闡述。

在三維目標識別的對象方面，最初研究主要針對立方體、柱體、錐體以及二次曲面等簡單形體構成的三維目標。然而，這類形體對現實世界的表達能力有限，絕大部分目標難以用這些形體或其組合來近似。後續研究主要集中於三維自由形態目標的識別，所謂自由形態目標，即表面除了頂點、邊緣以及尖拐處之外處處都有良好定義的連續法向量的目標（如飛行器、汽車、輪船、建築物、雕塑、地表等）。由於現實世界中的大部分物體均可認為是自由形態目標，因此三維自由形態目標識別演算法的研究大大擴展了識別系統的適用範圍。在過去二十餘年間，三維目標識別任務針對的數據量不斷增加，識別難度不斷上升，而識別率亦不斷提高。然而，如何在包含遮擋、背景幹擾、雜訊、逸出點以及數據解析度變化等的複雜場景中實現對感興趣目標的檢測識別與分割，仍然是一個富有挑戰性的問題。

在三維模型重建方面，最初的研究集中於鄰接關係和初始姿態均已知時的點雲精配準、點雲融合以及三維表面重建。在此，鄰接關係用以指明哪些點雲與給定的某幅點雲之間具有一定的重疊區域，該關係通常通過記錄每幅點雲的掃描順序得到。而初始姿態則依賴於轉檯標定、物體表面標記點或者人工選取對應點等方式實現。這類演算法需要較多的人工幹預，因而自動化程度不高。接著，研究人員轉向點雲鄰接關係已知但初始姿態未知情況下的三維模型重建，常見方法有基於關鍵點匹配、基於線匹配、以及基於面匹配 等三類演算法。在實際應用中，很多時候並不知道點雲之間的鄰接關係。針對此，研究人員開發了最小張樹演算法和連接圖演算法以實現鄰接關係的計算。總體而言，三維模型重建演算法的發展趨勢是自動化程度越來越高，所需人工幹預越來越少，且應用面越來越廣。然而，現有演算法依然存在運算複雜度較高、只能針對單個物體、且對背景幹擾敏感等問題。研究具有較低運算複雜度且不依賴於先驗知識的全自動三維模型重建演算法，是目前的主要難點。

3、 存在的挑戰

儘管針對點雲表示、目標三維模型重建與識別等方面的研究已取得了部分成果，但依然面臨著許多挑戰。具體如下：

? 局部特徵描述子方面

現有特徵描述子要麼鑒別力不強，不能有效地實現對局部表面的描述；要麼對雜訊、數據解析度、高斯雜訊、逸出雜訊等幹擾十分敏感，難以適應複雜背景下的三維模型重建與目標識別任務。此外，部分現有特徵描述子還存在計算複雜度高和內存使用量大等問題。

? 特徵提取思路方面

現有文獻中很多點雲關鍵點檢測演算法與特徵描述演算法均由二維圖像領域相關演算法擴展而來。事實上，由於點雲與二維圖像之間本質的差異性，這些擴展演算法並未充分考慮三維點雲數據本身的特性，因而難以實現對點雲的最優表示。

? 三維模型重建方面

現有演算法只能實現對單個目標點雲的配準與模型重建，且運算量較大。如何一次性實現多個目標的三維模型重建仍然是一個值得研究的問題。此外，現有演算法要求預先將待配準的目標點雲從場景中檢測分割出來，而如何從包含背景的場景中實現三維模型重建依然是一個開放性的問題。

? 三維目標識別方面

儘管現有文獻已提出了不少演算法，並在特定條件下取得了不錯的性能。然而，如何在點分佈不均勻、表面特徵不明顯、存在較大雜訊和解析度變化等的點雲上實現高精度快速目標識別，依然是一個富有挑戰性的問題。

? 點雲局部特徵評估方面

目前，在點雲處理領域，尚沒有形成局部特徵描述子的系統評估體系。首先，部分現有評估中所選擇的局部特徵描述子較少，所採用的數據集較小且只針對某個特定應用，因而所得結果難以推廣到其它應用場合；其次，現有評估所採用的數據集通常來自單一感測器，其結果難以推廣到其它類型感測器獲得的數據集上。再次，現有評估也沒有充分測試特徵描述子的穩健性。

事實上，在二維圖像局部特徵提取領域，正是得益於Mikolajczyk、Schmid、Tuytelaars 以及Moreels 等不遺餘力地構建圖像關鍵點檢測子以及局部特徵描述子評估體系，並在計算機視覺頂級期刊IEEE PAMI 和IJCV 上發表了一系列文章，才使得圖像局部特徵提取的研究得以不斷深入並獲得大量應用。而在三維點雲領域，類似的評估體系構建對本方向的發展進步同樣具有非常重要的意義，但目前相關的研究成果依然較少且很零散。因此，建立點雲局部特徵評估體系具有極為重要的作用。