顾 砾，季 怡，刘纯平

（苏州大学计算机科学与技术学院，江苏苏州 215006）

0 概述

近年来，三维物体识别是计算机视觉领域的研究热点之一。常见的三维图像表示方法有点云、网格、体素与多视角图像等，其中点云是结构简单且接近原始采集数据的方法，在自动驾驶及机器人学等方面具有广泛的应用前景。由于Kinect等廉价三维获取设备的快速发展使得点云数据更易获取，因此三维点云识别逐渐成为计算机视觉领域的主要研究内容。

点云分类是点云识别的一项重要前置任务，且传统的点云分类方法［1-3］通常采用人工构建的描述子提取其几何特征，通过将点云转换为体素形式［4］，再使用二维图像中常用的卷积神经网络（Convolutional Neural Network，CNN）对特征进行提取，并用于完成后续任务。该方法具有较好的普适性，但是体素形式的数据表现精度依赖于体素分辨率，而高分辨率引起的庞大计算量将限制其发展。由于人工设计的限制，传统方法普遍存在精度瓶颈以及鲁棒性不足的问题，且随着神经网络在二维图像感知领域的快速发展，研究人员逐渐将其运用到三维点云上学习点云特征。文献［5］构建一种创新性模型，该模型可以直接对原始点云进行处理，且在分类和分割任务上均取得良好效果，但其缺乏提取点云局部特征的能力。针对该问题，文献［6-7］通过引入多尺度来优化局部特征的提取性能。文献［8］提出更为简单高效的点云特征提取PointCNN模型，使得分类精度得到大幅提升，但与采用多视角图像作为输入的MVCNN［9］、GVCNN［10］等模型相比，该模型的整体性能偏低，这主要是由点云数据的本身信息量有限导致的。……