张 婧，周明全，耿国华

西北大学 文化遗产数字化国家地方联合工程研究中心，西安 710127

1 引言

随着深度学习的发展，在计算机视觉领域中如何将具有无序性的点云数据表示成深度学习网络可以接收的有序数据结构，用于深度学习的训练是亟待解决的问题。现阶段深度学习被广泛地用于2D 图像特征提取，并且在大多数图像分析和理解任务中，已经证明它们优于传统算法的解决方案。在点云的深度学习中，主要的解决方法是将3D模型转换为规则的2D图像表示，将用于2D 图像的深度学习方法应用于不规则3D 模型。如何表达三维模型能够实现点云在深度学习中的端到端的输入而不需要把三维3D数据转换为2D图像，是本文要解决的问题。点云数据的另一个特点是海量性，如何对大规模的无序的点云模型进行有效的三维表示与管理，为后期模型数据的分析提供基础，是另一个亟待解决的问题。

为解决以上问题，本章提出基于八叉树和三维K-D树的集成索引（OctKD）的点云数据表示方法。本文的主要贡献是：

（1）提出一种深度学习卷积神经网络可以接受的，能够端到端表示点云模型的OctK数据结构。

（2）OctKD 的点云模型表示方法，能够真实反映模型本身的细节特征。

（3）提出一种新颖的完全在GPU 端以并行方式构造八叉树的算法，降低了点云模型的构造时间。

（4）针对点云模型的散乱性，采用三维K-D 树索引单个三维空间点，提高点云检索效率。

2 相关研究

点云模型目前常用的表示方法有多视图、体素和点云结构。……