1. 研究目的与意义（文献综述）

近几年，伴随着人工智能、智能家居的快速发展，越来越多的服务型机器人出现在我们的视野中，而在室内环境下的物体识别是服务机器人的必备技能。目前，基于二维图像的物体识别已经有很多研究成果^[1][2]，然而相对于二维图像识别而言，三维点云不仅可以提供更多几何信息，且数据的采集不受光照影响，规避了二维图像识别遇到的光照、姿态等问题，因此基于三维点云的室内家居物体识别逐渐引起了人们的重视。

在国外，针对三维物体识别的研究起步较早，点签名法^[3]是最早提出的基于深度信息描述的方法，这是一种基于局部特征的识别方法，其利用法向量定义旋转角度，通过与旋转角度相关的有向距离完成识别；基于全局特征的方法从背景中分割出目标物体，通过对整体形状特征进行描述完成识别^[4]；随着人工智能的发展，深度学习在三维物体识别中大放异彩，而由于点云形式不规则，大多数研究人员将此类数据转换为常规3d体素网格^[5]-[7]或集合的图像^[6][8]。 这种方法保留了点的空间位置信息，但是点云数据量巨大和3d-cnn的固有计算量较高，导致方法开销很大。在保证计算效率的同时，往往需要降低分辨率，从而造成了精度损失。基于此，斯坦福大学的qi等人提出了 pointnet框架^[9]，该框架直接使用原始点云作为输入，使用一个简单的对称函数最大池函数来解决点云的无序性问题，并利用t-net“迷你网络”解决点云的刚性旋转不变性问题，实验证明这种模型具有较高的准确率。国内对三维物体识别的研究起步较晚，不过近些年随着机器视觉领域的兴起，也有一些三维物体识别方面的论文见诸发表。例如山东大学提出的pointcnn^[10]，通过让输入点学习“x变换”，让 cnn 更好地处理不规则和无序的点云数据。

由于深度学习的热潮，加之其在物体识别中极好的鲁棒性，三维物体识别多是基于深度神经网络的，而随着pointnet的提出，直接处理点云数据的方法逐渐成为主流。

2. 研究的基本内容与方案

基本内容：

1）通过阅读文献，了解利用三维点云进行物体识别的过程。研究现有的识别方法，同时分析比较当前技术识别率与识别速度，以及其适用范围，重点研究基于深度卷积神经网络的三维点云物体识别技术。

2）研究直接处理点云的深度学习框架，包括pointnet，pointnet 等，了解其原理及优缺点。结合室内家居物体的特征，在已有的深度学习框架上进行优化改进，使其尽可能在家居物体识别领域提高准确率。

3. 研究计划与安排

第一阶段（第1周—第3周）：阅读相关参考文献，完成外文资料翻译及文献摘要撰写，并交予指导教师检查。

第二阶段（第4周—第9周）：熟悉所选用的算法，运用所学的数学以及计算机理论知识，完成算法的实现，提出改进方案。

第三阶段（第10周—第13周）：实现算法的改进，在公共数据集上测试算法性能，完成与已有的同类算法的比较实验，对算法的结果进行分析。

4. 参考文献（12篇以上）

[1] i. armeni, o. sener, a. r. zamir, h. jiang,i. brilakis, m. fischer, and s. savarese. 3d semantic parsing of large-scaleindoor spaces. in proceedings of the ieee international conference on computervision and pattern recognition, 2016. 6, 7 [2] guo b, huang x, zhang f, et al.classification of airborne laser scanning data using jointboost[j]. isprsjournal of photogrammetry amp; remote sensing, 2015, 100:71-83.

[3] wu z, song s, khosla a, etal. 3d shapenets: a deep representation for volumetric shapes[c]// ieeeconference on computer vision and pattern recognition. ieee, 2014:1912-1920.

[4] maturana d, scherer s. voxnet: a 3dconvolutional neural network for real-time object recognition[c]// ieee/rsjinternational conference on intelligent robots and systems. ieee, 2015:922-928.