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。

本课题主要研究直接使用无序点云数据作为输入的深度学习方法，采用卷积神经网络，提取点云数据中与点序列无关的信息，以这种对于顺序不敏感的特征进行匹配，实现室内家居物体识别，同时保证识别的准确率。

参考文献：

[1] SEIDENARIL,SERRA G,BAGDANOV A D,etal.Local py-ramidal descriptors for image recognition[J].IEEETransaction onPattern Analysisand MachineIntelligence,2014,36(5): 1033-1040.

[2] TIMOFTE R,ZIMMERMANN K,VAN GOOL L.Multi-viewtraffic sign detection,recognition,and 3d localisation[J].Ma- chine Vision and Applications,2014,25(3):633-647.

[3] CHUA CS,JARVISR.PointSignatures:A NewRepresenta- tionfor3D Object Recognition[J].International Journal of Computer Vision,1997,25(1):63-85.

[4] 郝雯, 王映辉, 宁小娟, 梁玮, 石争浩. 面向点云的三维物体识别方法综述[J]. 计算机科学,2017,44(9): 11-16.