三维点云处理技术和深度学习在点云处理中的应用（价值1499

三维点云数据具有非结构化、无序且稀疏的特性，传统图像处理算法难以直接迁移。本课程聚焦自动驾驶场景，解决如何将原始激光雷达数据转化为可供感知算法消费的结构化信息这一核心工程问题。它不仅涵盖基础几何处理，更重点探讨深度学习模型如何高效拟合三维空间分布，适合具备 Python 基础、了解基本线性代数与概率论，且希望从二维图像识别转向三维空间感知的开发者。若你正在构建自动驾驶感知栈，或需要为机器人导航模块添加环境建模能力，这套资料能填补从传感器数据到语义理解的中间环节。

核心模块与学习路径规划

建议优先研习第一章关于激光雷达硬件原理及数据采样的部分。理解波束发散角、旋转频率及时间同步机制，是后续处理点云畸变和配准误差的前提。紧接着应深入编程基础章节，重点掌握点云数据的内存布局与常用数据结构，避免在大规模数据处理时陷入低效的循环操作。在深度学习应用部分，不应仅停留在模型架构图的复现，而要关注输入层的点云预处理策略，如体素化、网格化与球坐标转换的权衡。通过剖析自动驾驶典型案例，梳理从点云分割、目标检测到轨迹预测的技术演进，明确不同任务对算力与精度的需求差异，从而建立完整的技术选型逻辑。

工程落地与配套实践建议

学完本资料后，你应能独立搭建一套简易的静态场景点云处理流水线，实现从原始数据读取、去噪、下采样到基础目标检测的完整链路。资料包中的课件与代码示例应作为调试基准，而非黑盒调用。建议结合开源点云库进行二次开发，尝试修改预处理参数以观察对下游检测精度的影响，从而深入理解数据质量对模型性能的制约。重点练习将二维检测逻辑迁移至三维空间时的坐标变换与投影误差分析，这是实际工程中极易出错且难以排查的环节。通过对照案例中的性能指标，优化自己的代码结构，确保在处理高帧率点云流时保持低延迟，最终具备解决真实车载计算平台资源受限问题的工程能力。

系统剖析自动驾驶点云处理的应用案例来构建点云知识体系；深入梳理深度学习在点云处理中的前沿任务与热点问题来掌握研究趋势 59bad5693b745570b0db9fb17ba27e5b_080602z681vs896u8g4833.png (33.83 KB, 下载次数: 24) 下载附件 保存到相册 2025-9-6 17:20 上传 ├─第1章基础知识 │ │ 1-1课程概述.mp4 │ │ 1-2激光雷达原理.mp4 │ │ 1-3激光雷达安装、标定与同步.mp4 │ │ 1-4激光雷达数据采集.mp4 │ │ 1-5常用编程基础.mp4 │ │ 【三维点云第1章】作业.docx │ │ 【三维点云第1章】概述.pdf │ │ 【三维点云第1章】课件.pdf │ │ │ └─睿慕课三维点云与深度学习课程资料 │ └─CH1激光雷达 │ │ (2019-12-18)RS-Lidar-32_User_Guide_v2.3.2_CN.pdf │ │ RSView 3.1.6 for Ubuntu 16.04.zip │ │ RSView 3.1.6 for Windows_Setup.rar │ │ RS_32_data.pcap │ │ seu.bag │ │ │ └─rs_lidar_32 │ angle.csv │ ChannelNum.csv │ CurveRate.csv │ curves.csv │ limit.csv │ ├─第2章三维点云表征概述 │ │ 2-1三维表征的获取方式和原理.mp4 │ │ 2-2三维信息的表征形式.mp4 │ │ 2-3点云的基本特征及描述.mp4 │ │ 【三维点云第2章】作业.docx │ │ 【三维点云第2章】课件.pdf │ │ │ └─睿慕课三维点云与深度学习课程资料 │ ├─CH1激光雷达 │ │ │ (2019-12-18)RS-Lidar-32_User_Guide_v2.3.2_CN.pdf │ │ │ RSView 3.1.6 for Ubuntu 16.04.zip │ │ │ RSView 3.1.6 for Windows_Setup.rar │ │ │ RS_32_data.pcap │ │ │ seu.bag │ │ │ │ │ └─rs_lidar_32 │ │ angle.csv │ │ ChannelNum.csv │ │ CurveRate.csv │ │ curves.csv │ │ limit.csv │ │ │ └─CH2点云表征 │ ├─homework │ │ 作业2-bev.mp4 │ │ 作业3-Feature relevance assessment for the semantic interpretation of 3D point cloud data.pdf │ │ 作业4-Joint 3D Proposal Generation and Object Detection from View Aggregation - 2017 - Ku et al.pdf │ │ 作业4-Multi-View 3D Object Detection Network for Autonomous Driving - 2016 - Chen et al.pdf │ │ │ └─reference │ A Survey on Implicit Surface Polygonization.pdf │ CS6320-3DCV-S2013-stereo-rectification.pdf │ CS6320-CV-F2013-chap11-multiple-views-part-I.pdf │ CS6320-CV-F2013-chap11-multiple-views-part-II-animated.pdf │ CS6320-CV-F2013-chap11-multiple-views-part-II.pdf │ CS6320-CV-F2013-chap11-multiple-views-stereo.pdf │ CS6320-CV-S2012-Ch2-Camera-Calibration.pdf │ CS6320-CV-S2012-StructuredLight-II.pptx │ CS6320-CV-S2012-StructuredLight.pptx │ CS6320-S2013 - MVG - MP.pdf │ Evaluation of depth-camera-systems for usage in semi-controlled assembly environments.pdf │ Feature relevance assessment for the semantic interpretation of 3D point cloud data.pdf │ pcaLectureShort_6pp.pdf │ Point Cloud Classification.pdf │ svd_pca.pptx │ TOF.pdf │ ├─第3章三维空间变换 │ 3.1-欧式坐标系.mp4 │ 3.2-刚体运动坐标转换1.mp4 │ 3.3-刚体运动坐标转换2.mp4 │ 3.4-三维空间变换.mp4 │ 【三维点云第3章】作业.pdf │ 【三维点云第3章】课件.pdf │ ├─第4章三维点云数据处理基础 │ │ 4.1-Point Cloud Library.mp4 │ │ 4.2-点云滤波方法.mp4 │ │ 4.3-点云**形式与最近邻搜索.mp4 │ │ 4.4-点云分割拟合聚类方法 .mp4 │ │ 4.5-演示1：点云滤波方法.mp4 │ │ 4.6-演示2：点云**形式与最近邻搜索.mp4 │ │ 4.7-演示3：segmentation代码和聚类 拟合.mp4 │ │ 【三维点云第1章】优秀作业.rar │ │ 【三维点云第1章】作业批改.rar │ │ 【三维点云第2章】优秀作业.rar │ │ 【三维点云第2章】作业批改.rar │ │ 【三维点云第4章】作业.pdf │ │ 【三维点云第4章】课件.pdf │ │ │ └─CH4三维点云数据处理 │ │ homework.pcd │ │ │ ├─pcl_demo │ │ ├─Filtering │ │ │ │ CMakeLists.txt │ │ │ │ conditional_removal_filter.cpp │ │ │ │ extract_indices.cpp │ │ │ │ extract_indices_segment_filter.cpp │ │ │ │ ModelOutlierRemoval.cpp │ │ │ │ PassThroughfilter.cpp │ │ │ │ project_inliers_filter.cpp │ │ │ │ radius_outlier_filter.cpp │ │ │ │ remove_nan_from_point_cloud.cpp │ │ │ │ statistical_removal_filter.cpp │ │ │ │ table_scene_lms400.pcd │ │ │ │ uniform_sam_keypoint.cpp │ │ │ │ VoxelGrid_filter.cpp │ │ │ │ │ │ │ ├─.idea │ │ │ │ │ .name │ │ │ │ │ Filtering.iml │ │ │ │ │ misc.xml │ │ │ │ │ modules.xml │ │ │ │ │ workspace.xml │ │ │ │ │ │ │ │ │ └─codeStyles │ │ │ │ Project.xml │ │ │ │ │ │ │ └─crophull │ │ │ CMakeLists.txt │ │ │ crophull.cpp │ │ │ pig.pcd │ │ │ │ │ ├─Searching │ │ │ │ CMakeLists.txt │ │ │ │ kdTree_search.cpp │ │ │ │ octree_change_detection.cpp │ │ │ │ octree_Point_Cloud_Compression.cpp │ │ │ │ octree_search.cpp │ │ │ │ │ │ │ └─.idea │ │ │ │ .name │ │ │ │ misc.xml │ │ │ │ modules.xml │ │ │ │ Searching.iml │ │ │ │ workspace.xml │ │ │ │ │ │ │ └─codeStyles │ │ │ Project.xml │ │ │ │ │ └─Segmentation │ │ │ clusters_segmentation.cpp │ │ │ CMakeLists.txt │ │ │ color_based_region_growing_segmentation.cpp │ │ │ cylinder_segmentation.cpp │ │ │ Difference_of_Normals_in_diff_radis__Segmentation.cpp │ │ │ min_Cut_Based.pcd │ │ │ min_Cut_Based_Segmentation.cpp │ │ │ planar_segmentation.cpp │ │ │ ProgressiveMorphologicalFilter_segmentation.cpp │ │ │ random_sample_consensus.cpp │ │ │ region_growing_normal_cur.cpp │ │ │ region_growing_rgb_tutorial.pcd │ │ │ region_growing_tutorial.pcd │ │ │ samp11-utm.pcd │ │ │ supervoxel_clustering.cpp │ │ │ table_scene_lms400.pcd │ │ │ table_scene_mug_stereo_textured.pcd │ │ │ │ │ └─.idea │ │ │ .name │ │ │ misc.xml │ │ │ modules.xml │ │ │ Segmentation.iml │ │ │ workspace.xml │ │ │ │ │ └─codeStyles │ │ Project.xml │ │ │ └─reference │ apollo-modules-drivers-velodyne.zip │ Fast segmentation of 3D point clouds A paradigm on LiDAR data for autonomous vehicle applications.pdf │ 基于激光雷达的运动补偿方法_庞正雅.pdf │ ├─第5章点云配准与点云SLAM基础 │ 5-5 SLAM图优化基础 .mp4 │ 5.1-点云配准方法（上）.mp4 │ 5.2-点云配准方法（下）.mp4 │ 5.3-SLAM基础框架.mp4 │ 5.4-帧间匹配与激光里程计.mp4 │ 5.5-SLAM图优化基础.mp4 │ 【三维点云第1~3章】作业参考.rar │ 【三维点云第5章】课件.pdf │ ├─第6章点云识别与跟踪描述 │ 6.1-点云关键点检测.mp4 │ 6.2-点云常用特征描述（上）.mp4 │ 6.3-点云常用特征描述（下）.mp4 │ 【三维点云第6章】作业.pdf │ 【三维点云第6章】作业批改.rar │ 【三维点云第6章】课件.pdf │ ├─第7章深度学习方法基础 │ 7-1 深度学习介绍 .mp4 │ 7-2 一种简单的人工神经网络 .mp4 │ 7-3 深度学习网络结构(上）.mp4 │ 7-4 深度学习网络结构(下）.mp4 │ 7-5 深度学习网络训练优化 .mp4 │ 7-6 点云处理的深度学习介绍 .mp4 │ 【三维点云第7章】优秀作业.rar │ 【三维点云第7章】作业.pdf │ 【三维点云第7章】课件.pdf │ ├─第8章基于深度学习的点云分类方法 │ 8-1 点云分类网络设计基础（上） .mp4 │ 8-2 点云分类网络设计基础（下） .mp4 │ 8-3 Pointwise MLP：PointNet，PointNet++（上）.mp4 │ 8-4 Pointwise MLP：PointNet，PointNet++（下）.mp4 │ 【三维点云第8章】优秀作业v.rar │ 【三维点云第8章】作业.pdf │ 【三维点云第8章】课件.pdf │ └─第9章基于深度学习的点云分割方法 9-1 点云分割网络设计基础.mp4 9-2 Graph-based_KCNet.mp4 9-3 Graph-based_DGCNN.mp4 9-4 Data Indexing-based_SO-Net.mp4 9-5 Convolution-based：pointCNN .mp4 9-6 Convolution-based：KPConv.mp4 【三维点云第9章】优秀作业 【三维点云第9章】作业.pdf 【三维点云第9章】课件.pdf ├─第10章基于深度学习的点云注册方法 │ 10-1 点云注册网络设计基础（上）.mp4 │ 10-2 点云注册网络设计基础（下）.mp4 │ 10-3 Metric based：3DMatch .mp4 │ 10-4 Metric based：3DFeatNet .mp4 │ 10-5 Regression based：Deep Closest Point.mp4 │ 【三维点云第10章】课件.pdf │ ├─第11章基于深度学习的点云重识别与重定位 │ 11-1 点云重识别和重定位方法.mp4 │ 11-2 Point-to-Point：Flownet3D .mp4 │ 11-3 Frame-to-Frame：Deep Closest Point.mp4 │ 11-4 Frame-to-Frame：DeepVCP.mp4 │ 11-5 Frame-to-Map：L3-Net .mp4 │ 【三维点云第11章】优秀作业 │ 【三维点云第11章】作业.pdf │ 【三维点云第11章】课件.pdf │ ├─第12章基于深度学习的点云物体识别 │ 12-1 Point cloud Object Detection（上）.mp4 │ 12-2 Point cloud Object Detection（下）.mp4 │ 12-3 3D Datasets .mp4 │ 12-4 深度学习点云物体识别任务指标.mp4 │ 12-5 点云物体识别网络梳理（上） .mp4 │ 12-6 点云物体识别网络梳理（下） .mp4 │ 【三维点云第12章】课件.pdf │ ├─第13章基于深度学习的激光与视觉融合物体识别 │ 13-1 点云图像融合物体识别基础（上）.mp4 │ 13-2 点云图像融合物体识别基础（下）.mp4 │ 13-3 视觉物体识别网络梳理.mp4 │ 13-4 RCNN family：RCNN，Fast RCNN，Faster RCNN.mp4 │ 13-5 RCNN family：Mask RCNN.mp4 │ 13-6 YOLO family：YOLO，YOLOv2，YOLOv3.mp4 │ 13-7 点云物体识别网络梳理.mp4 │ 【三维点云第13章】课件.pdf │ ├─第14章深度学习在激光SLAM中的应用 │ 14-1 深度学习与激光SLAM的结合点.mp4 │ 14-2 Deep Lidar Odometry（上）.mp4 │ 14-3 Deep Lidar Odometry（下）.mp4 │ 14-4 Deep Lidar Loop Closure Detection.mp4 │ 【三维点云第14章】课件.pdf