霍占强，王勇杰，雒 芬，乔应旭

（河南理工大学计算机科学与技术学院，河南焦作 454000）

0 概述

随着三维立体成像技术的快速发展及深度传感器的广泛应用，研究人员能快速且准确地获取物体表面的三维坐标和深度信息，从而获取大量的场景点云数据。这些数据能够帮助智能机器对所处空间位置进行准确的判断，进而理解场景并更好地感知周围环境。场景感知有利于智能机器产生和人类一样对周边环境的分辨功能，提高机器的智能水平［1］。由于点云数据对复杂场景及物体的三维空间结构表达具有独特的优势，加上获取数据的快速性和便捷性，被广泛应用在自动驾驶［2］、自动室内导航［3］、无人机和空天一体化［1］等领域。

近年来，随着数据量的指数级增长和计算力不断增强，深度学习方法得到了飞速发展和广泛应用，尤其在2D 图像分类、分割和检测领域［4］。在物体识别、目标检测等领域上其识别率和人类相当甚至超过人类。针对三维点云数据的无序性、不规则性、稀疏性等特点，ZENG 等［5］提出一种融合2D 和3D 多特征的近邻传播聚类集成分割方法，虽然该方法比传统的点云分割算法能更准确地划分点云场景，但传统手工特征提取无法完全利用三维点云的全部信息，尤其是点云的深度信息，导致点云分割、分类的精度难以提升。越来越多的学者尝试将深度学习和点云分割相结合以进行特征提取，但传统卷积神经网络结构只能处理规则数据如图片、文本、音频等。……