面向三维点云的场景识别方法综述

面向三维点云的场景识别方法综述 Scene recognition for 3D point clouds： a review 1 2 corresp first-author E-mail： haowensxsf@163.com E-mail： haowensxsf@163.com 郝 雯（1986-），女，河南平顶山人，博士，副教授，2014年于西安理工大学获得博士学位，现为西安理工大学计算机科学与工程学院教师，主要从事点云场景识别、点云场景分割等方面的研究。E-mail： haowensxsf@163.com http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=33772855&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=33772859&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=33772857&type= 22.01333237 32.00399780 郝 雯 （1986-），女，河南平顶山人，博士，副教授，2014年于西安理工大学获得博士学位，现为西安理工大学计算机科学与工程学院教师，主要从事点云场景识别、点云场景分割等方面的研究。E-mail： haowensxsf@163.com haowensxsf@163.com 1 2 1 2 1 2 1 2 西安理工大学 计算机科学与工程学院，陕西 西安 710048 西安理工大学 计算机科学与工程学院，陕西 西安 710048 School of Computer Science and Engineering， Xi'an University of Technology， Xi'an 710048， China School of Computer Science and Engineering， Xi'an University of Technology， Xi'an 710048， China 陕西省网络计算与安全技术重点实验室，陕西 西安 710048 陕西省网络计算与安全技术重点实验室，陕西 西安 710048 Shaanxi Key Laboratory for Network Computing and Security Technology， Xi’an 710048， China Shaanxi Key Laboratory for Network Computing and Security Technology， Xi’an 710048， China 基于智能机器人代替人到各种复杂环境完成探测、防疫等大量应用的需求，场景的识别引起了研究者的广泛关注。场景识别的目的是通过提取和分析场景中的特征，获得场景的高层语义信息，从而推理出所处的具体位置，它是同步定位与建图系统（Simultaneous Localization and Mapping，SLAM）、自动驾驶、机器人导航、闭环检测的基础。三维扫描技术的快速发展使得人们能够利用各种扫描仪快速获取各类场景的点云数据。不论扫描时间、光照环境如何变化，点云场景所获取的几何信息都具有较好的不变性，因此，基于点云的场景识别成为计算机视觉领域的研究热点。本文首先对近年来面向点云数据的场景识别方法进行了归纳和总结；然后介绍用于场景识别的大规模室内/室外场景的数据集，以及用于算法评测的评价指标，同时总结了各类算法的识别率。最后指出面向点云的场景识别中所面临的问题和挑战，对未来的研究趋势进行展望。研究结果有助于相关领域学者快速全面地了解基于点云数据场景识别的研究现状，为进一步提升场景识别精度奠定基础。 Intelligent robots can perform several high-risk tasks such as object detection and epidemic prevention to aid human beings. Research on scene recognition has attracted considerable attention in recent years. Scene recognition aims to obtain high-level semantic features and infer the location of a scene， laying a good foundation for simultaneous localization and mapping， autonomous driving， intelligent robotics， and loop detection. With the rapid development of 3D scanning technology， obtaining point clouds of various scenes using various scanners is extremely convenient. Compared with images， the geometric features of point clouds are invariant to drastic lighting and time changes， thus making the process of localization robust. Therefore， scene recognition of point clouds is one of the most important and fundamental research topics in computer vision. This paper systematically expounds the progress and current situation of scene recognition techniques of point clouds， including traditional methods and deep learning methods. Then， several public datasets for scene recognition are introduced in detail. The recognition rates of various algorithms are summarized. Finally， we note the challenges and future research directions of the scene recognition of point clouds. This study will help researchers in related fields to better understand the research status of scene recognition of point clouds quickly and comprehensively and lay a foundation for a further improvement in the recognition accuracy. 点云 场景识别 特征描述符 深度学习 注意力机制 图卷积 point cloud scene recognition feature descriptor deep learning attention mechanism graph convolution 1 引 言 1 由于自动驾驶、室内导航、以及智能机器人代替人到复杂危险的环境中执行探测、巡防等大量现实应用的需要，关于场景的认知与识别研究引起了人们极大的关注 ［ 1 1 ］ 。对于具有强大识别能力的人类，可以快速地获取场景中物体的类别以及物体间的拓扑关系，对是否到过该场景做出准确的判断或者从场景地图中对要识别的地点进行定位。但对于计算机来说，自动地从复杂场景中识别物体并且分析出它们之间的拓扑关系，完成场景的分析与识别，仍具有很大的困难。这主要是由于场景中物体类别繁杂，排列无规律，加之物体类内的差异性和类间的相似性，都增加了计算机对场景识别的难度。因此，针对场景的识别仍然是一个富有挑战的课题。 由于场景图像获取的便利性与快捷性，目前已有很多学者提出针对图像的场景识别方法 ［ 2 2 - 3 3 2-3 ］ 。文献［ 3 3 - 5 5 3-5 ］通过设计不同的卷积神经网络（Convolutional Neural Network，CNN）模型提取图像场景中的目标特征、场景特征，并将两者结合起来获得独特的场景特征表示。但是，由于采集图像时无法避免的光照条件、尺度变化以及时间特征的差异，会使同一个场景的图像具有较大的差异性。 图1 图1 为Oxford RobotCar数据集 ［ 6 6 ］ 中同一个场景在不同时间获取的图像数据。 图1 图1 （a）为场景在夜晚获取的图片，图 1 1 （b）和 1 1 （c）为白天不同天气下获取的图片。可以看出，虽然捕获的为同一个场景的图片，但是由于采集图像的时间不同，光照条件不同，场景图像间有很大的差异，这加大了场景的识别难度。另外，由于二维成像中三维信息的丢失，基于图像的空间关系局限于二维空间，包括上、下、左、右以及其两两组合的位置关系，对于空间物体间的位置关系表示有一定的局限性 ［ 7 7 ］ 。利用视觉系统（单目摄像头或多目摄像头）也能够快捷便利获取场景的图像信息，但是需要大量的数据处理才能测量深度，计算复杂度较高，并且对场景的纹理丰富程度要求较高，在低纹理场景中几乎无法工作。多目立体视觉可以通过多视角图像以及恢复的相机参数作为输入来对场景进行稠密重建，但其比较适合室内规模较小场景数据的获取。基于结构光设备的深度测量也是另外一种常见的场景数据获取方式，其测量范围普遍较近，难以适用于室外远距离环境。 随着三维扫描技术的快速发展，已经有很多单位利用毫米波雷达传感器、激光雷达传感器获取场景的点云数据。毫米波雷达穿透雾、烟、灰尘的能力强，具有全天候全天时的特点，但其探测距离受到频段损耗的直接制约。激光雷达传感器探测范围更广，探测精度更高。利用两种传感器采集得到的点云场景数据，可规避扫描时间、光照、天气、纹理等多种因素的影响。同时，采集得到的三维点云数据具有尺度不变性，能够较好地表达场景中复杂物体的几何形状，并且能够较好地表达物体间的位置关系，规避了二维图像遇到的光照、姿态等问题，所以基于点云的场景识别是一种有效的途径。 2 场景识别方法总结 1 已有的面向三维点云的场景识别方法多是通过提取分割点云簇或者点的几何特征，构造特征描述符，然后通过特征匹配从建立的局部地图中找出相同的场景，完成场景的定位与识别。目前，已有的三维点云场景识别方法可以分为三类：基于点云分割的场景识别方法、基于特征描述符的场景识别方法以及基于学习获得特征的场景识别方法，如 图2 图2 所示。 2.1　基于点云分割的场景识别方法 2 基于点云分割的场景识别方法往往需要先将点云场景中的地面移除，利用区域增长、欧几里得聚类算法对场景进行分割，然后利用人工设计或者卷积神经网络模型提取分割点云簇的特征，最后通过特征比对完成场景的识别。 2 . 1 . 1　基于人工设计的特征提取方法 3 基于人工设计的特征的提取方法往往在点云场景分割的基础上，人工设计提取各个点云簇的几何特征或构造图结构用于场景识别。 Dubé等 ［ 8 8 ］ 去除场景中的地面点云数据后，利用欧几里得聚类算法将地面上的点分割成不同物体。然后利用形状函数直方图对分割后的点云簇进行描述，并利用随机森林来匹配相似点云簇。最后使用随机抽样一致性算法将候选点云簇送至几何验证模块，如果特征匹配，则返回场景的定位信息。 图3 图3 为SegMatch ［ 8 8 ］ 的流程图。该方法需要实时里程计，并需要建立局部稠密地图。Gollub等 ［ 27 27 ］ 在SegMatch ［ 8 8 ］ 基础上作了改进，首先将两组点云场景分割成多个点云簇。然后基于分割点云簇构建一个不带权无向图 G ，最后以检测 G 中是否含有足够大的团来判定两组点云场景是否有较高的相似度。廖等 ［ 28 28 ］ 移除地面后采用区域增长算法将点云场景分割为若干个点云簇，然后以点云簇为顶点，以点云簇质心间距离为边权值，分别构建带权值的完全图，将场景的识别转化为判定所得的两个完全图是否含有足够大的公共子图。在该方法中，分割效果的优劣会影响该方法场景识别的准确度。Fernández-Moral等 ［ 9 9 ］ 针对室内深度图像构建一种基于平面的地图（Plane-based Map，PbMap），在提取场景平面的基础上，利用法向量方向、面积、中心位置等几何信息描述平面属性。将平面作为节点，平面质心间的连线即为边，构造场景图。最后利用解释树来匹配子图，从而完成室内场景的识别。随后，他们又对该工作进行了扩展 ［ 29 29 ］ ，在图匹配的过程中，使用平面参数的协方差代替要匹配的平面所包含的点数。该类方法适用于包含较多由平面组成物体的小型室内环境。Fan等 ［ 10 10 ］ 提出基于分割的自我中心描述符（Segmentation-based Egocentric 3D Point Cloud Descriptor，Seed）， 图4 图4 为Seed算法流程图。该方法在分割的基础上，对分割簇间的拓扑关系进行编码形成二维图像，最后通过比较图像之间的距离度量场景间的相似性。该方法缺乏对分割点云簇的特征描述，识别效果依赖分割的精细程度。 物体间的位置关系对点云场景的识别也是至关重要的，而基于人工设计的特征提取方法并未考虑物体之间的拓扑关系对场景识别的影响。 2 . 1 . 2　基于深度学习的特征提取方法 3 基于深度学习的特征提取方法在点云场景分割的基础上，设计各种卷积神经网络用于提取点云簇的特征用于场景识别。 同SegMatch ［ 8 8 ］ 所用的分割方法一致，Dubé等 ［ 11 11 ］ 在场景分割的基础上，提出SegMap-CNN网络提取分割点云簇的特征，用于定位以及地图重建。随后，Vidanapathirana等 ［ 30 30 ］ 利用SegMap-CNN网络 ［ 11 11 ］ 提取分割点云簇的特征。同时，提取邻近分割点云簇的空间结构特征以及时间特征。最后，利用二次池化将不同层次的特征聚合在一起，获得固定长度的全局描述符。Rozenberszki等 ［ 31 31 ］ 通过融合针对Lidar数据的里程计算法和SegMap算法完成场景定位。该方法基于RANSAC算法减少在线点云与离线地图的错误匹配，利用迭代最近点（Iterative Closest Point，ICP）方法提高场景定位的准确性。Tomono等 ［ 12 12 ］ 在探测点云场景中的平面、球、线等几何形状的基础上，使用点云配准算法来检测循环约束。去除配准中的孤立点，结合基于特征和基于姿态的方法检测闭环。该类方法关注分割点云簇特征的提取与匹配，并未考虑分割簇之间的空间关系。 基于深度学习的特征提取方法往往依赖于场景分割效果，由于点云场景中物体的多样性以及邻近性，传统的分割方法往往导致过分割或者欠分割，分割结果的准确性会影响到场景识别的准确性。 2.2　基于特征描述符的场景识别方法 2 基于特征描述符的场景识别方法多是基于人工设计提取点或者分割点云簇的几何特征，并对特征进行统计分析，形成独特的描述符，然后通过相似性度量等手段完成场景识别或闭环检测。 早期的工作中，旋转图像法 ［ 32 32 ］ （Spin Image，SI）、直方图签名方法 ［ 33 33 ］ （Signature of Histograms of Orientation，SHOT）、唯一形状上下文方法 ［ 34 34 ］ （Unique Shape Context，USC）、快速点特征直方图 ［ 35 35 ］ （Fast Point Feature Histograms，FPFH）以及聚类视点特征直方图（Clustered View Feature Histogram，CVFH）描述符 ［ 36 36 ］ 都是常用的特征描述符。这些描述符多用于物体识别，然而场景识别不仅仅局限于物体的识别，随着点云数据的广泛应用，越来越多的学者设计用于点云场景识别的描述符。 Bosse等 ［ 13 13 ］ 随机从点云场景中选择10%的点作为关键点，通过特征值计算，一些具有平面特性的关键点被移除。然后利用三维Gestalt描述子对关键点进行描述，构建投票矩阵计算每个关键点经其邻近点投票所得权值，通过计算每个bin内关键点高度均值和方差，最后根据关键点匹配完成场景的识别。该方法中关键点的选取具有一定的随机性，其选取策略对最终识别结果影响较大。受Gestalt启发，Cieslewski等 ［ 14 14 ］ 提出局部描述符二值邻域密度标记（Neighbor-Binary Landmark Density，NBLD），通过统计每个bin下点的密度构建每个关键点的描述符。 He等 ［ 15 15 ］ 提出名为M2DP的三维点云全局描述符用于场景识别。作者通过将点云向多个平面进行投影，计算点云在投影面的空间密度分布特征。然后通过奇异值分解，将左右奇异向量作为三维场景的描述符，该描述符具有一定的观测位置和视角不变性。该方法只关注点云的整体分布，当部分点丢失时，点云特征变化剧烈，性能退化严重。受其它描述符通过加入颜色信息提升性能的启发 ［ 37 37 - 39 39 37-39 ］ ，Perdomo等 ［ 40 40 ］ 结合点云的颜色和形状信息，对M2DP描述符进行扩展，构造名为c-M2DP的描述符用于场景识别。该方法将点云进行二维投影后，计算点的形状特征以及颜色分布，利用SVD获得最终的特征描述符。 Röhling等 ［ 41 41 ］ 首先将场景中的点按高度值分成若干层，然后为每层计算出一维的直方图，最后将这些直方图组合起来构成全局描述子。通过计算两组点云场景的全局描述子的Wasserstein距离来衡量它们的相似度。Rizzini等 ［ 42 42 ］ 提出名为GLAROT的描述符，该描述符将关键点对的相对几何位置编码为直方图，为保证旋转不变性，它通过计算相应旋转直方图之间的距离度量两个点的相似度。该描述符易受点云数据密度的影响。随后，Rizzini等 ［ 43 43 ］ 提出几何关系分布签名方法，将点之间的关系编码为连续概率密度函数。Kim等 ［ 44 44 ］ 提出名为扫描上下文（Scan context）的全局描述符。该方法将点云按照方位角和径向方向分为若干个bin，并计算每个bin中点的最大高度，通过对点云的几何形状进行编码，生成一个二维图像，通过比较两个图像之间的距离度量场景间的相似性。该方法为了实现旋转不变性，需要计算所有可能的图像列移位的度量距离，以找到最小距离，这需要较长的搜索时间。随后，Kim等 ［ 45 45 ］ 利用卷积神经网络替代方法［44］中逐列暴力匹配计算图像之间的距离，提高场景识别的效率。Wang等 ［ 46 46 ］ 在方法［44］的基础上加入扫描数据的强度信息，提出名为强度扫描上下文（Intensity Scan Context，ISC）方法，通过快速几何检索和强度结构匹配两个步骤完成场景的识别。Li等 ［ 47 47 ］ 在方法［44］的基础上对点云场景进行语义分割，利用语义信息将场景中的代表物体投影到 x-y 平面。然后提出语义ICP算法，获取点云的三维姿态。最后，使用三维姿态对齐原始点云生成全局描述符语义扫描上下文全局描述符（Semantic Scan Context，SSC）。通过匹配SSC获取场景的相似度得分。基于扫描上下文的方法 ［ 44 44 - 47 47 44-47 ］ 不能捕捉场景中物体间的拓扑关系。Siva等 ［ 48 48 ］ 将点云场景体素化后，提出基于体素化的表示学习（Voxel-based Representation Learning，VBRL）方法，利用结构化稀疏引导规范提取每个体素内多模态特征。该方法认为离Lidar传感器近的体素包含物体更多的细节，将位置识别和特征学习集成到一个统一的正则化优化公式中，从每个栅格内提取多模特征用于场景识别。Guo等 ［ 49 49 ］ 提出名为方向强度签名直方图（Intensity Signature of Histograms of OrienTations，ISHOT）的描述符，提出一种新的概率关键点投票方法对场景进行识别。通过提取三维点云数据的ISHOT描述符，与全局地图进行匹配，利用基于投票的方法找出相似的候选场景。然后通过三维特征匹配确定最终相同的场景。 基于特征描述符的场景识别方法通过人工设计构建局部特征描述符，不仅过程繁复耗时，易受到环境干扰，且局限于特定的模型与特定的应用，很难推广到大规模的点云场景识别中。 2.3　基于学习获得特征的场景识别方法 2 深度学习模型具有强大的表征和建模能力，能够逐层自动学习目标的特征表示，避免了手工设计特征的繁琐低效。基于学习获得特征的场景识别方法往往通过设计不同的卷积神经网络模型提取点云场景中每点的特征，然后将提取的特征编码为特定维度的全局描述符，最后通过特征比对，从点云场景数据库中检索得到要识别的场景。 卷积神经网络已经成功地应用于三维点云目标探测 ［ 50 50 - 51 51 50-51 ］ 、形状检索 ［ 52 52 ］ 、场景分割 ［ 53 53 - 54 54 53-54 ］ 、场景分类 ［ 55 55 ］ 等任务中。2017年4月，斯坦福大学Charles等人提出PointNet ［ 56 56 ］ ，该结构开创性地以原始点云作为深度神经网络的输入，引入转换网络对点云数据进行空间对齐，使用多层感知机学习点特征，然后使用最大池化函数提取全局特征，为模型分类、部件分割和场景语义分割提供了统一的体系结构。该模型对局部信息的提取能力不足，而其扩展版本PointNet++ ［57］ 提出了一种分层网络结构，利用最远点采样法对输入点云进行采样和区域划分，然后在局部区域应用PointNet进行特征学习与提取。鉴于深度学习的成功应用，很多学者将卷积神经网络应用在场景识别领域。 图5 图5 为2018年以来，基于深度学习的点云场景识别方法时间轴，不同的颜色代表不同的场景识别方法类别。本文将基于学习获得特征的场景识别方法分为四类：基于注意力机制的场景识别方法、基于图卷积的场景识别方法、基于体素化的场景识别方法、基于Transformer框架的场景识别方法。这些方法在 图5 图5 中分别利用紫色、绿色、橙色以及蓝色箭头表示。 PointNetVLAD ［ 58 58 ］ 是第一个用于大规模三维点云场景识别的卷积神经网络。 图6 图6 为PointNetVLAD的网络结构图。Angelina等将PointNet ［ 56 56 ］ 与NetVLAD ［ 68 68 ］ 网络结合，利用PointNet提取点的全局特征，通过NetVLAD网络对特征进行聚合。它提出懒惰三元组和四元组损失函数，构造全局描述子，将点云场景识别转化为场景检索问题。由于PointNet对点云局部特征的提取能力不足，这对生成的全局描述符的独特性有一定的影响。同时，该网络并未考虑局部特征的空间分布关系。 2 . 3 . 1　基于注意力机制的场景识别方法 3 基于注意力机制的场景识别方法在网络中引入注意力机制，提取点间的上下文信息。 为弥补PointNetVLAD网络的不足，Zhang等 ［ 16 16 ］ 在PointNetVLAD网络的基础上提出一个点上下文注意网络（Point Contextual Attention Network，PCAN），在NetVLAD网络中引入注意力机制，将多尺度全局特征加权融合形成全局描述符。该网络没有考虑点的局部结构信息，忽略了局部特征的空间分布特征。Sun等 ［ 59 59 ］ 结合双重注意力机制和图卷积提取点云的局部特征以及上下文信息，使用残差图卷积网络模块来聚合每个点及相邻点的局部特征。该网络并未考虑局部特征之间的空间关系。Xia等 ［ 17 17 ］ 提出一种基于自注意以及方向编码的神经网络SOE-Net（Self-attention and Orientation Encoding Network）用于场景识别。该网络定义了一种新的损失函数HPHN（Hard Positive Hard Negative quadruplet loss），提出点方向编码（PointOE）模块对各种方向的邻域信息进行编码，并定义一个自注意单元提取点间的上下文依赖，对局部区域的空间关系进行加权编码。该网络需要提前设置HPHN四元组损失中的margin值。Barros等 ［ 18 18 ］ 提出名为AttDLNet（Attention-based DL Network）的网络结构，它将点云转换为球面范围表示，通过编码器网络从中提取特征，并利用注意力机制选择性地关注上下文和特征间的关系，最后将特征图转化为描述符。Fan等 ［ 62 62 ］ 提出注意力旋转不变卷积（Attentive Rotation Invariant Convolution），该网络采用三种旋转不变的局部特征和一个注意力模块，以保证学习到的特征的旋转不变性。 基于注意力机制的场景识别方法没有考虑局部几何特征、点云邻域关系以及特征空间分布等特征的提取，这些都可以提高大场景点云全局描述子的有效性和鲁棒性。 2 . 3 . 2　基于图卷积的场景识别方法 3 基于图卷积的场景识别方法利用静态/动态图卷积神经网络提取点的局部几何特征，用于场景识别。 Liu等 ［ 19 19 ］ 提出一个大型地点描述网络（Large-scale Place Description Network，LPD-Net），该网络包括自适应邻域局部特征提取模块和动态图网络聚合模块。该网络首先通过自适应选取最优近邻，计算每点的曲率、高度差、点密度等十个几何特征，并构建特征转换模块将计算得到的局部特征映射到高维特征空间。然后，利用图卷积神经网络 ［ 53 53 ］ 提取点间的空间分布信息。最后，通过NetVLAD网络对各种特征进行聚合生成场景的全局描述符，其网络结构如 图7 图7 所示。随后，Liu等 ［ 20 20 ］ 在LPD-Net基础上，采用由粗到细的序列匹配策略，提出序列场景描述网络SeqLPD用于闭环检测。与方法［19］相同，SeqLPD在特征空间和笛卡尔空间中提取特征，并使用NetVLAD生成场景的全局描述符。Yin等 ［ 21 21 - 22 22 21-22 ］ 首先将点云投影至三维球面，设计了SphereVLAD网络，利用球面卷积，从原始点云的球形表示中提取视点不变的位置描述符，并提出了一个从粗到精的序列匹配位置识别方法。Fan等 ［ 60 60 ］ 利用静态图卷积神经网络提取点的局部几何特征，提出密集语义融合策略，通过重用浅层特征层来补偿信息丢失。最后利用NetVLAD网络将提取到的局部几何特征聚合为全局描述符。Kong等 ［ 61 61 ］ 提出一种基于语义图的大规模场景识别方法，其网络结构图如 图8 图8 所示。首先对点云场景进行语义分割、实例分割以获取场景物体的语义类别，并进一步收集语义和拓扑信息形成的节点语义图。然后，原始点云场景被转换成拓扑语义图，对场景的识别转化为图匹配问题。最后，通过将图对输入到由节点编码、图编码和图相似性度量组成的图相似度网络中，获得场景相似度评分。该方法需要事先对场景中包含物体的语义类别进行定义，并且它不能区分相同语义类别中的不同物体。Hui等 ［ 63 63 ］ 提出一种轻量级的边卷积模块ProxyConv，它利用空间相邻矩阵和代理点简化了原始边缘卷积，从而减少内存消耗。通过ProxyConv模块，构造代理点卷积神经网络（Proxy Point Convolutional Neural Network，PPCNN）聚合多尺度局部几何特征，完成场景的识别。Gong等 ［ 65 65 ］ 通过分析分割点云簇间的空间关系，提出了基于空间关系图的位置识别方法。该方法在去除地面的基础上，利用欧氏距离的聚类方法对非地面点进行分割，将点云簇作为结点，它们之间的空间关系作为边，对分割点云簇以及点云簇间的空间关系进行描述，构造空间关系图（Spatial Relation Graph， SRG）。最后利用空间关系图匹配模型完成场景的识别。其中，空间关系图匹配模型包括上层搜索模型（U-LSM）和下层匹配模型（L-LMM），在U-LSM模型中，通过增量词袋模型搜索候选语义关系图中空间关系描述符的分布。在L-LMM模型中，通过改进的光谱方法来计算候选语义关系图中的相似度。 基于图卷积的识别方法比较关注点间的关系，但对具有抽象语义信息的高级全局结构特征提取不足。 2 . 3 . 3　基于体素化的场景识别方法 3 基于体素化的场景识别方法在对点云场景体素化的基础上，提取每个栅格的单尺度/多尺度局部特征用于场景识别。 Chang等 ［ 23 23 ］ 在对室内点云场景体素化的基础上，提出SpoxelNet网络，从体素中提取不同尺度的结构信息，并利用NetVLAD网络聚合为全局特征描述符。该网络可以识别点云体素之间的结构相似性，减少物体移动或时间变化的影响。Komorowski等 ［ 24 24 ］ 提出名为MinkLoc3D的点云描述符，该方法首先将输入点云体素化，然后采用特征金字塔网络提取局部特征，利用广义均值池化层（Generalized-mean pooling layer）将局部特征聚合为全局点云描述符。Du等 ［ 64 64 ］ 使用Flex卷积提取点的局部几何特征，利用挤压和激励模块（Squeeze-and-Excitation，SE）融合多层次空间上下文信息，并将多通道特征关联到局部描述符中，最后使用NetVLAD网络将加权局部特征聚合到全局点云描述符中。该全局描述符不具有旋转不变性。 基于体素化的场景识别方法在对点云栅格化的基础上提取特征，其提取特征粒度的细致程度易受栅格大小的影响。 2 . 3 . 4　基于Transformer框架的场景识别方法 3 Transformer ［ 69 69 ］ 最初是为自然语言处理（Natural Language Processing， NLP）任务而提出的。自我注意机制是Transformer的核心，因为它具有远距离捕捉上下文信息的能力。随着Transformer在NLP领域的成功应用，很多学者逐渐考虑将自注意机制运用到计算机视觉领域。 NDT-Transformer ［ 66 66 ］ 是第一个用于场景识别和检索，基于标准Transformer的深度学习架构。Zhou等利用三维正态分布变换（3D Normal Distribution Transform， NDT）表示原始点云几何形状的概率分布。该模型从三维NDT中学习得到具有几何和上下文信息的全局描述符，并选择NetVLAD获得全局描述符。Xu等 ［ 25 25 ］ 基于Transformer提出名为TransLoc3D的网络结构，TransLoc3D由一个3D稀疏卷积模块、自适应感受野模块（Adaptive Receptive Field Module， ARFM）以及NetVLAD层组成。ARFM模块能够自适应调整输入点云的感受野大小，用于捕捉物体不同尺度的几何结构，基于自适应感受野模块的TransLoc3D比之前基于Transformer的方法 ［ 66 66 ］ 提升近1%。Fan等 ［ 26 26 ］ 提出的SVT-Net网络模型包括基于原子的稀疏体素变换器（Atom-based Sparse Voxel Transformer，ASVT）和基于聚类的稀疏体素变换器（Cluster-based Sparse Voxel Transformer，CSVT），该网络模型在点云栅格的基础上，提取每个栅格的局部特征以及语义特征，用于场景识别。Hui等 ［ 67 67 ］ 提出一个金字塔点转换器模块，利用分组自注意机制自适应地学习不同尺度下，不同邻近区域之间的空间关系，构造金字塔VLAD模块将点云的多尺度特征映射到全局描述符中。 Transformer模型缺乏归纳偏置能力，并不具备卷积的平移不变性和局部敏感性，因此在数据不足时，不能很好地泛化任务。 表1 表1 列举了部分基于学习获得特征的网络模型的提出时间、网络主干结构以及关键技术。 网络模型 年份 网络主干结构 关键技术 数据 PointNetVLAD ［ 58 58 ］ 2018 PointNet，NetVLAD 转换网络T-Net、多层感知机、对称函数 Oxford Robotcar PCAN baseline ［ 16 16 ］ 2019 PointNet，NetVLAD 转换网络T-Net、多层感知机、对称函数、SAG层 Oxford Robotcar DAGC baseline ［ 59 59 ］ 2020 DGCNN， NetVLAD 双注意力模块、EdgeConv Oxford Robotcar SOE - Net ［ 17 17 ］ 2021 PointSift， NetVLAD PointOE模块 Oxford Robotcar AttDLNet ［ 18 18 ］ 2021 RangeNet++ 注意力模块 KITTI ARIConv ［ 62 62 ］ 2021 DenseNet 注意旋转不变卷积 Oxford Robotcar Lpd - Net ［ 19 19 ］ 2019 DGCNN， NetVLAD 十维几何特征计算、转换网络、动态图网络 Oxford Robotcar SRNet ［ 60 60 ］ 2020 Static Graph Convolution （SGC）， NetVLAD SGC模块、三层空间注意力模块 Oxford Robotcar SemGraph ［ 61 61 ］ 2020 RangeNet++，DGCNN EdgeConv、图相似性匹配模块 KITTI EPC - Net ［ 63 63 ］ 2021 EPCNet， Grouped VLAD 多层ProxyConv Oxford Robotcar MinkLoc3D ［ 24 24 ］ 2021 Feature Pyramid Network architecture 局部特征提取网络、广义均值池 Oxford Robotcar DH3D ［ 64 64 ］ 2020 PointNet， NetVLAD FlexConv、挤压和激励模块 Oxford RobotCar TransLoc3D ［ 25 25 ］ 2021 External Transformer， NetVLAD 自适应感受野模块， 3D稀疏卷积模块 Oxford Robotcar SVT - Net ［ 26 26 ］ 2021 Sparse Voxel Transformers 基于原子的稀疏体素变换器、基于聚类的稀疏体素变换器 Oxford Robotcar 3 面向三维点云场景识别的公共数据集 1 为了验证相关算法对场景识别的效果，有效的数据集必不可少。随着深度学习在点云处理方面的快速发展，许多研究机构提供了很多开源的三维数据集，下面分别介绍适用于基于Lidar的地点识别的基准数据集，以训练和评估网络： （1）Oxford RobotCar ［ 6 6 ］ 数据集被广泛地应用于自动驾驶与深度学习领域，它是由牛津大学使用RobotCar汽车平台在英国牛津市内驾驶，采集了各种时间段内的驾驶环境信息得到的，平均每周在牛津市中心运行10公里路线产生数据，总计约1010公里。该数据集覆盖了商业区Business District（B.D.），住宅区域Residual Area（R.A.）以及大学区域University Sector（U.S.）。该数据包含超过2 000万张车载相机拍摄的图片、激光雷达数据、GPS和惯性导航收集的地貌资料以及处理后的里程计信息。主要呈现英国牛津同一条路线在一年内的变化，包含不同天气、光照和季节的情况。 （2）KITTI odometry ［ 70 70 - 71 71 70-71 ］ 数据集是Geiger等人于德国卡尔鲁斯市采集的公开室外汽车驾驶数据集，该数据集用于评测立体图像，光流，视觉测距，3D物体检测和3D跟踪等计算机视觉技术在车载环境下的性能。采集该数据集的平台包括两个灰度摄像机、两个彩色摄像机、一个激光雷达，一个惯性测量模块以及GPS导航系统。其中平台上采集激光点云数据的激光雷达是Velodyne HDL-64E，它以10 Hz的频率运行，具有360°水平视场，26.8°的垂直视场，测量范围120 m。采集区域覆盖了市中心、住宅区、高速公路以及德国卡尔斯鲁厄周围的乡村道路等多个室外场景，共包含22个序列数据（00-21）。该序列被分割为训练集（序列00到10）和测试集（序列11到21）。其中，序列00到10包含有由GPS等设备标定的位姿真值的数据，序列11到21没有提供真实位姿。 （3）North Campus Long Term （NCLT） ［ 72 72 ］ 数据集是利用移动机器人在密歇根大学北校区收集的一个大规模数据集。该数据集大约每两周扫描一次，为期15个月，6月获得850个扫描数据，12月获得850个扫描数据，覆盖了不同光照、植被和天气的27个不同的路线的数据。该数据包括图像、3D激光雷达点云数据以及GPS信息。利用安装在移动机器人上的Velodyne HDL-32E激光雷达传感器收集环境的三维点云。 （4）MulRan ［ 73 73 ］ 数据集是利用一个Navtech毫米波雷达传感器OS1-64，以及Ouster OS1-64激光传感器扫描得到。包含会议中心、大学校园、高速公路以及河边道路四个场景，每个场景包含三个不同的时间段。该数据集主要用于毫米波雷达的地点重识别任务，相对于激光雷达数据，毫米波雷达穿透性更强，探测距离更长。 （5）Ford校园数据集 ［ 74 74 ］ 是密歇根大学和福特汽车公司合作采集的市中心城市环境的数据集。该数据集使用福特F250皮卡，装配激光雷达Velodyne HDL-64E lidar、Riegl LMS-Q120 lidar以及Point Grey Ladybug3全方位摄像头扫描得到。 （6）SEU-FX 数据集 ［ 75 75 ］ 是东南大学空间信息与定位导航研究中心Future X实验室采集的可用于研究长时间跨度的场景识别和重定位任务的数据集。该数据集采集了不同天气、时间、光照条件下的城市道路、校园场景同一路径的重复数据。共包含约10个小时的采集时长，城市道路数据时长约2个小时，其中晴天天气约1小时20分，雨天、雪天各约20分；校园道路数据时长约9小时，其中晴天天气和阴天天气各约3小时，雨天和雪天天气各约1小时30分。 表2 表2 为面向点云的场景识别常见数据集，列举了多个用于场景识别的公共数据集以及一个课题组自行采集的数据集，分别列出了采集数据时用到的移动平台、搭建的主要硬件设备（传感器类型、相机）以及扫描数据时涉及到的时间、光照、数据总量等。 数据集 年 传感器 移动平台 变化 场景 相机 IMU 频率/Hz 数据总量 Oxford RobotCar ［6］ 2017 SICK LMS-151 车辆 不同季节、光照、动态目标遮挡、建筑物改造等综合变化与干扰 室外 3单目 1×12 23.15TB KITTI odometry ［70-71］ 2013 Velodyne HDL-64E 车辆 无 室外 2双目 1×10 180 GB North Campus Long Term （NCLT） ［72］ 2016 Velodyne HDL-32E Segway机器人 不同季节、光照、植被等综合变化 校园（室内、室外） 6单目（全向） 4单目 1×100 1×200 2.95 TB MulRan ［73］ 2020 Ouster OS1-64 Navtech CIR204-H 车辆 不同时间段 会议中心、校园、高速公路、河边道路 - - 387 GB Ford ［74］ 2011 Velodyne HDL-64E 车辆 无 福特研究院、密歇根州迪尔伯恩市中心 1单目 1×100 100 GB SEU-FX ［75］ 2019 速腾聚创 RS-32 车辆 不同天气、时间、光照条件 城市道路、校园场景 双目 1×30 - 4 实验结果分析 1 为了公正地评估场景识别算法的性能，本节采用标准的评价指标对经典的场景识别模型进行分析与讨论。首先，以模型规模大小、运行时间和召回率为评价指标衡量现有的场景识别模型的性能，然后收集上述度量指标在代表性的数据集（Oxford RobotCar、KITTI）上的识别结果，最后，对这些结果进行总结并得出结论。 4.1　模型规模与运行时间 2 表3 表3 总结了部分点云场景识别模型的参数量以及运行时间。该实验结果是利用论文作者发布在GitHub上的源代码，在NVidia GeForce GTX GPU 2080Ti， 64 GB RAM环境下运行的结果。其中，参数量表示网络执行时训练参数数量，运行时间是由TensorFlow 进行运行跟踪获取的运行时间线。在各个模型的运行时间中，Lpd-Net模型的运行时间不包括十个人工特征的计算时间。可以看出，网络Minkloc3D相比与其它三个网络而言，参数量最少，PointNetVLAD、PCAN与Lpd-Net参数量基本相同。对于运行时间而言，PCAN相较于其它模型而言，运行时间较长。 Model Network parameter quantity/MB Runtime per frame/ms PointNetVLAD ［ 58 58 ］ 19.78 15 PCAN ［ 16 16 ］ 20.42 55 Lpd-Net ［ 19 19 ］ 19.81 26 Minkloc3D ［ 24 24 ］ 1.1 21 表4 表4 总结了部分基于特征描述符的场景识别方法中特征描述符的维度。可以看出，相比其它描述符，FPFH描述符维度最少。 Descriptor Size SHOT ［ 33 33 ］ 352 USC ［ 34 34 ］ 1 960 FPFH ［ 35 35 ］ 33 Gestalt3D ［ 13 13 ］ 130 NBLD ［ 14 14 ］ 1 408 ISHOT ［ 48 48 ］ 1 344 4.2　召回率 2 为了评估场景识别算法的性能，使用不同网络模型对Oxford RobotCar公共数据集进行测试，得到识别精度。位置识别的结果通常被看作一个排序问题，在排序问题中通常没有一个确定的阈值把结果直接判定为正样本或者负样本，因此，在面向点云的场景识别任务中通常采用Top-N（排名前N）返回结果的召回率（Recall）来衡量排序模型的性能，即认为模型返回的Top-N的结果就是模型判断的正样本，然后计算前N个位置上的召回率，用Recall@N表示。已有的工作通常使用Recall@N%评价指标。 表5 表5 分别列出不同的网络模型对该数据集的AR（Average Recall，平均召回率），AR最高的加黑显示。可以看出，目前已有的基于深度学习的场景识别方法平均召回率在80%以上， TransLoc3D在Oxford RobotCar数据集评估中Average Recall@1%指标达到98.5%。SVT-Net在数据集 U.S.，R.A.，B.D.中的 Average Recall@1%指标分别达到96.5%，92.7%，90.7%。综合来看，基于Transformer框架的SVT-Net网络模型效果较好。这主要是由于SVT-Net中的基于原子的稀疏体素变换器和基于聚类的稀疏体素变换器能较好地提取点云的语义属性。 2 Methods 4 Average recall @1% Oxford U.S. R.A. B.D. PointNetVLAD ［ 58 58 ］ 80.31% 72.63% 60.27% 65.3% PCAN baseline ［ 16 16 ］ 83.81% 79.05% 71.18% 66.82% DAGC baseline ［ 59 59 ］ 87.49% 83.49% 75.68% 71.21% SOE - Net ［ 17 17 ］ 96.4% 93.17% 91.47% 88.45% SRNet ［ 60 60 ］ 94.56% 94.33% 89.23% 83.49% Lpd - net ［ 19 19 ］ 94.92% 96% 90.46% 89.14% EPC - Net ［ 63 63 ］ 94.74% 96.52% 88.58% 84.92% MinkLoc3D ［ 24 24 ］ 97.9% 95% 91.2% 88.5% TransLoc3D ［ 25 25 ］ 98.5 % 94.9% 91.5% 88.4% SVT - Net ［ 26 26 ］ 97.8% 96.5% 92.7 % 90.7 % KITTI数据集也是用于场景识别的代表性数据集，它具有较为丰富的序列，能够较好评价场景识别算法在室外场景下的性能。基于特征描述符的场景识别方法多是利用KITTI数据集评估算法的有效性，因此， 表6 表6 列举了传统方法M2DP、Scan Context在KITTI数据集上的F1最高分数。同时，列举了点云场景识别的开创性网络PointNetVLAD，基于深度学习的网络SemGraph以及基于点云分割的场景识别方法Locus在KITTI数据集上的F 1 最高分数。对于KITTI数据集02序列，SemGraph方法取得较好的效果，对于KITTI数据集06序列，ScanContext取得较好的效果，对于其它序列，Locus方法优于其它几个方法。 Methods 00 02 05 06 07 08 Mean M2DP ［ 15 15 ］ 0.836 0.781 0.772 0.896 0.861 0.169 0.719 ScanContext ［ 44 44 ］ 0.937 0.858 0.955 0.998 0.922 0.811 0.914 Locus ［ 30 30 ］ 0.983 0.762 0.981 0.992 1.0 0.931 0.942 PointNetVLAD ［ 58 58 ］ 0.882 0.791 0.734 0.953 0.767 0.129 0.709 SemGraph ［ 61 61 ］ 0.960 0.859 0.897 0.944 0.984 0.783 0.904 5 总结与展望 1 5.1　面临的挑战 2 三维点云场景识别是一个具有重要意义和富有挑战的问题，近年来吸引了越来越多研究人员的关注。本文重点介绍了近些年来面向三维点云的场景识别方法的发展，并对各类方法进行了分析与比较，可以发现，对三维点云场景的分析与识别正逐渐成为当前的研究热点，但仍旧面临着许多挑战。 5 . 1 . 1　场景稳定特征的提取与表述问题 3 室外点云场景规避了光照条件的影响，但对于同一室外场景，往往受到动态遮挡（行人、不同车辆停放）、人为改造带来的场景结构变化的影响，同一场景得到的扫描数据有较大差异性。三维激光雷达传感器具有良好的测距精度和扫描分辨率，它对物体的外形表达具有独特的优势，对场景中相对固定的物体如：建筑、植被等景物有良好的表述能力。因此，如何充分利用激光点云数据的优势，提取场景中相对稳定的环境特征来实现场景的表述与识别，是保障场景识别准确率的关键。 5 . 1 . 2　三维空间关系的表达问题 3 对于真实世界中的三维点云物体，其拓扑关系复杂多变，现有的工作针对物体间的拓扑关系往往关注物体间的距离、空间位置关系等几何属性，较少考虑物体之间的语义关系。针对三维空间关系表达的局限性，利用图结构等丰富的知识表达工具，应用推理模型，通过对物体与物体间、三维模型本身的结构差异进行挖掘与分析，获取场景的语义结构图，在分析物体自身的几何属性以及物理属性（颜色、材质、形状等信息）基础上，充分挖掘分析场景中物体间的位置关系、结构关系、连接关系等空间分布规律，有效提取物体间的上下文语义信息，为场景的准确识别奠定基础。 5 . 1 . 3　面向大规模数据的计算能力问题 3 用于场景识别的数据集的规模往往比较大，针对室外大范围环境构建的地图模型具有大范围、大尺度和海量性的特性。同时，从大量的点云场景数据中计算每个点的高维特征向量，并基于此构造独特的全局特征描述符用于场景识别，这对存储空间以及计算时间带来巨大的挑战，严重影响场景识别应用的实时性。针对数据量大导致的计算量大问题，可以考虑选择合适的地图类型以及构造有效的场景全局特征描述符，实现对大范围室外场景简洁高效表达，以降低计算量，提高三维点云场景的识别效率。 5 . 1 . 4　相似场景间的区分问题 3 由于场景中物体的多样性以及复杂性，对于具有相同物体的场景，物体自身的表面材料组成对场景的识别有很大影响。不同材料的同类物体往往会出现在不同的场景中，特别是室内场景，例如：椅子是卧室和教室中的常见物体，但是卧室中的椅子多是布质的，而教室中的椅子多是木质的，单纯地依靠物体类别识别场景，会导致识别准确率低的问题。针对物体表面材料对场景识别的影响，可以在识别物体类别的基础上，对物体的组成结构分析，以区分同类物体间的差异。 5.2　研究方向展望 2 5 . 2 . 1　多模态数据融合的场景识别方法研究 3 三维点云数据可规避扫描时间、光照、纹理等多种因素对场景识别的影响，但是仍然无法规避动态遮挡（行人、不同车辆停放）、人为改造带来的场景结构变化的影响，可以考虑加入其它多模态数据减少遮挡对场景识别准确率的影响。如何选择和选择哪些单模态数据进行融合，以及在融合过程中如何设置其权重都需要进一步的讨论研究。 5 . 2 . 2　基于点云边缘计算的点云场景识别方法研究 3 由于点云场景包含有丰富的对象，具有大范围、大尺度和海量性等特性，实时完成点云场景的识别比较困难。随着5G技术的快速发展，可以在场景识别方法中引入5G时代的点云边缘计算。5G 具备超高带宽、低时延、高可靠、广覆盖等特点，与边缘计算结合可以使得点云大数据的实时传输和在线处理变为现实 ［ 76 76 ］ ，保证场景识别的实时性，为自动驾驶、移动机器人的快速发展奠定基础。 参考文献 XIE L ， LEE F F ， LIU L ， et al . Scene recognition： a comprehensive survey ［J］. Pattern Recognition ， 2020 ， 102 ： 107205 . doi: 10.1016/j.patcog.2020.107205 http://dx.doi.org/10.1016/j.patcog.2020.107205 Scene recognition： a comprehensive survey ZHANG X W ， WANG L ， SU Y . Visual place recognition： a survey from deep learning perspective ［J］. Pattern Recognition ， 2021 ， 113 ： 107760 . doi: 10.1016/j.patcog.2020.107760 http://dx.doi.org/10.1016/j.patcog.2020.107760 Visual place recognition： a survey from deep learning perspective ZENG H T ， SONG X H ， CHEN G W ， et al . Learning scene attribute for scene recognition ［J］. IEEE Transactions on Multimedia ， 2020 ， 22 （ 6 ）： 1519 - 1530 . doi: 10.1109/tmm.2019.2944241 http://dx.doi.org/10.1109/tmm.2019.2944241 Learning scene attribute for scene recognition CHEN G ， SONG X ， ZENG H ， et al . Scene recognition with prototype-agnostic scene layout ［J］. IEEE Transactions on Image Processing ， 2020 ， 29 ： 5877 - 5888 . doi: 10.1109/tip.2020.2986599 http://dx.doi.org/10.1109/tip.2020.2986599 Scene recognition with prototype-agnostic scene layout ZENG H T ， SONG X H ， CHEN G W ， et al . Amorphous region context modeling for scene recognition ［J］. IEEE Transactions on Multimedia ， 2022 ， 24 ： 141 - 151 . doi: 10.1109/tmm.2020.3046877 http://dx.doi.org/10.1109/tmm.2020.3046877 Amorphous region context modeling for scene recognition MADDERN W ， PASCOE G ， LINEGAR C ， et al . 1 year， 1000 km： the Oxford RobotCar dataset ［J］. The International Journal of Robotics Research ， 2017 ， 36 （ 1 ）： 3 - 15 . doi: 10.1177/0278364916679498 http://dx.doi.org/10.1177/0278364916679498 1 year， 1000 km： the Oxford RobotCar dataset SONG X H ， JIANG S Q ， WANG B H ， et al . Image representations with spatial object-to-object relations for RGB-D scene recognition ［J］. IEEE Transactions on Image Processing ， 2020 ， 29 ： 525 - 537 . doi: 10.1109/tip.2019.2933728 http://dx.doi.org/10.1109/tip.2019.2933728 Image representations with spatial object-to-object relations for RGB-D scene recognition DUBÉ R ， DUGAS D ， STUMM E ， et al . SegMatch： Segment based place recognition in 3D point clouds ［C］. 2017 IEEE International Conference on Robotics and Automation . Singapore . IEEE ， 2017 ： 5266 - 5272 . doi: 10.1109/icra.2017.7989618 http://dx.doi.org/10.1109/icra.2017.7989618 SegMatch： Segment based place recognition in 3D point clouds FERNÁNDEZ-MORAL E ， MAYOL-CUEVAS W ， ARÉVALO V ， et al . Fast place recognition with plane-based maps ［C］. 2013 IEEE International Conference on Robotics and Automation. Karlsruhe ， Germany . IEEE ， 2013 ： 2719 - 2724 . doi: 10.1109/icra.2013.6630951 http://dx.doi.org/10.1109/icra.2013.6630951 Fast place recognition with plane-based maps FAN Y F ， HE Y C ， TAN U X . Seed： a segmentation-based egocentric 3D point cloud descriptor for loop closure detection ［C］. 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Las Vegas ， NV， USA . IEEE ， 2020 ： 5158 - 5163 . doi: 10.1109/iros45743.2020.9341517 http://dx.doi.org/10.1109/iros45743.2020.9341517 Seed： a segmentation-based egocentric 3D point cloud descriptor for loop closure detection DUBÉ R ， CRAMARIUC A ， DUGAS D ， et al . SegMap： Segment-based mapping and localization using data-driven descriptors ［J］. The International Journal of Robotics Research ， 2020 ， 39 （ 2/3 ）： 339 - 355 . doi: 10.1177/0278364919863090 http://dx.doi.org/10.1177/0278364919863090 SegMap： Segment-based mapping and localization using data-driven descriptors TOMONO M . Loop detection for 3D LiDAR SLAM using segment-group matching ［J］. Advanced Robotics ， 2020 ， 34 （ 23 ）： 1530 - 1544 . doi: 10.1080/01691864.2020.1824809 http://dx.doi.org/10.1080/01691864.2020.1824809 Loop detection for 3D LiDAR SLAM using segment-group matching BOSSE M ， ZLOT R . Place recognition using keypoint voting in large 3D lidar datasets ［C］. 2013 IEEE International Conference on Robotics and Automation. Karlsruhe ， Germany . IEEE ， 2013 ： 2677 - 2684 . doi: 10.1109/icra.2013.6630945 http://dx.doi.org/10.1109/icra.2013.6630945 Place recognition using keypoint voting in large 3D lidar datasets CIESLEWSKI T ， STUMM E ， GAWEL A ， et al . Point cloud descriptors for place recognition using sparse visual information ［C］. 2016 IEEE International Conference on Robotics and Automation . Stockholm， Sweden . IEEE ， 2016 ： 4830 - 4836 . doi: 10.1109/icra.2016.7487687 http://dx.doi.org/10.1109/icra.2016.7487687 Point cloud descriptors for place recognition using sparse visual information HE L ， WANG X L ， ZHANG H . M2DP： a novel 3D point cloud descriptor and its application in loop closure detection ［C］. 2016 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Daejeon ， Korea （South） . IEEE ， 2016 ： 231 - 237 . doi: 10.1109/iros.2016.7759060 http://dx.doi.org/10.1109/iros.2016.7759060 M2DP： a novel 3D point cloud descriptor and its application in loop closure detection ZHANG W X ， XIAO C X . PCAN： 3D attention map learning using contextual information for point cloud based retrieval ［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Long Beach ， CA， USA . IEEE ， 2019 ： 12428 - 12437 . doi: 10.1109/cvpr.2019.01272 http://dx.doi.org/10.1109/cvpr.2019.01272 PCAN： 3D attention map learning using contextual information for point cloud based retrieval XIA Y ， XU Y S ， LI S ， et al . SOE-net： a self-attention and orientation encoding network for point cloud based place recognition ［C］. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Nashville ， TN ， USA . IEEE ， 2021 ： 11343 - 11352 . doi: 10.1109/cvpr46437.2021.01119 http://dx.doi.org/10.1109/cvpr46437.2021.01119 SOE-net： a self-attention and orientation encoding network for point cloud based place recognition BARROS T ， GARROTE L ， PEREIRA R ， et al . AttDLNet： attention-based DL network for 3D LiDAR place recognition ［EB/OL］. 2021： arXiv ： 2106 .09637［cs.CV］. https：//arxiv.org/abs/2106.09637 https://arxiv.org/abs/2106.09637 AttDLNet： attention-based DL network for 3D LiDAR place recognition LIU Z ， ZHOU S B ， SUO C Z ， et al . LPD-net： 3D point cloud learning for large-scale place recognition and environment analysis ［C］. 2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Seoul ， Korea （South） . IEEE ， 2019 ： 2831 - 2840 . doi: 10.1109/iccv.2019.00292 http://dx.doi.org/10.1109/iccv.2019.00292 LPD-net： 3D point cloud learning for large-scale place recognition and environment analysis LIU Z ， SUO C Z ， ZHOU S B ， et al . SeqLPD： sequence matching enhanced loop-closure detection based on large-scale point cloud description for self-driving vehicles ［C］. 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Macao ， China . IEEE ， 2019 ： 1218 - 1223 . doi: 10.1109/iros40897.2019.8967875 http://dx.doi.org/10.1109/iros40897.2019.8967875 SeqLPD： sequence matching enhanced loop-closure detection based on large-scale point cloud description for self-driving vehicles YIN P ， WANG F Y ， EGOROV A ， et al . SeqSphereVLAD： sequence matching enhanced orientation-invariant place recognition ［C］. 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Las Vegas ， NV， USA . IEEE ， 2020 ： 5024 - 5029 . doi: 10.1109/iros45743.2020.9341727 http://dx.doi.org/10.1109/iros45743.2020.9341727 SeqSphereVLAD： sequence matching enhanced orientation-invariant place recognition YIN P ， WANG F Y ， EGOROV A ， et al . Fast sequence-matching enhanced viewpoint-invariant 3-D place recognition ［J］. IEEE Transactions on Industrial Electronics ， 2022 ， 69 （ 2 ）： 2127 - 2135 . doi: 10.1109/tie.2021.3057025 http://dx.doi.org/10.1109/tie.2021.3057025 Fast sequence-matching enhanced viewpoint-invariant 3-D place recognition CHANG M Y ， YEON S ， RYU S ， et al . SpoxelNet： spherical voxel-based deep place recognition for 3D point clouds of crowded indoor spaces ［C］. 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Las Vegas ， NV， USA . IEEE ， 2020 ： 8564 - 8570 . doi: 10.1109/iros45743.2020.9341549 http://dx.doi.org/10.1109/iros45743.2020.9341549 SpoxelNet： spherical voxel-based deep place recognition for 3D point clouds of crowded indoor spaces KOMOROWSKI J . MinkLoc3D： point cloud based large-scale place recognition ［C］. 2021 IEEE Winter Conference on Applications of Computer Vision. Waikoloa ， HI， USA . IEEE ， 2021 ： 1789 - 1798 . doi: 10.1109/wacv48630.2021.00183 http://dx.doi.org/10.1109/wacv48630.2021.00183 MinkLoc3D： point cloud based large-scale place recognition XU T X ， GUO Y C ， LAI Y K ， et al . TransLoc 3 D： Point Cloud based Large-scale Place Recognition using Adaptive Receptive Fields［EB/OL］. 2021： arXiv ： 2105 .11605［cs.CV］. https：//arxiv.org/abs/2105.11605 https://arxiv.org/abs/2105.11605 TransLoc FAN Z X ， SONG Z B ， LIU H Y ， et al . SVT-net： a super light-weight network for large scale place recognition using sparse voxel transformers ［EB/OL］. 2021： arXiv ： 2105 .00149［cs.CV］. https：//arxiv.org/abs/2105.00149 https://arxiv.org/abs/2105.00149 . doi: 10.1609/aaai.v36i1.19934 http://dx.doi.org/10.1609/aaai.v36i1.19934 SVT-net： a super light-weight network for large scale place recognition using sparse voxel transformers GOLLUB M G ， DUBÉ R ， SOMMER H ， et al . A partitioned approach for efficient graph-based place recognition ［C］. Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst./Workshop Planning， Perception Navigat. Intell. Veh . 2017 ： 1 - 5 . A partitioned approach for efficient graph-based place recognition 廖瑞杰 ， 杨绍发 ， 孟文霞 ， 等 . SegGraph： 室外场景三维点云闭环检测算法 ［J］. 计算机研究与发展 ， 2019 ， 56 （ 2 ）： 338 - 348 . SegGraph： 室外场景三维点云闭环检测算法 LIAO R J ， YANG S F ， MENG W X ， et al . SegGraph： an algorithm for loop-closure detection in outdoor scenes using 3D point clouds ［J］. Journal of Computer Research and Development ， 2019 ， 56 （ 2 ）： 338 - 348 . （in Chinese） SegGraph： an algorithm for loop-closure detection in outdoor scenes using 3D point clouds FERNÁNDEZ-MORAL E ， RIVES P ， ARÉVALO V ， et al . Scene structure registration for localization and mapping ［J］. Robotics and Autonomous Systems ， 2016 ， 75 ： 649 - 660 . doi: 10.1016/j.robot.2015.09.009 http://dx.doi.org/10.1016/j.robot.2015.09.009 Scene structure registration for localization and mapping VIDANAPATHIRANA K ， MOGHADAM P ， HARWOOD B ， et al . Locus： LiDAR-based place recognition using spatiotemporal higher-order pooling ［J］. 2021 IEEE International Conference on Robotics and Automation （ICRA） ， 2021 ： 5075 - 5081 . doi: 10.1109/icra48506.2021.9560915 http://dx.doi.org/10.1109/icra48506.2021.9560915 Locus： LiDAR-based place recognition using spatiotemporal higher-order pooling ROZENBERSZKI D ， MAJDIK A L . LOL： Lidar-only Odometry and Localization in 3D point cloud maps ［C］. 2020 IEEE International Conference on Robotics and Automation . Paris， France . IEEE ， 2020 ： 4379 - 4385 . doi: 10.1109/icra40945.2020.9197450 http://dx.doi.org/10.1109/icra40945.2020.9197450 LOL： Lidar-only Odometry and Localization in 3D point cloud maps JOHNSON A E ， HEBERT M . Using spin images for efficient object recognition in cluttered 3D scenes ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 1999 ， 21 （ 5 ）： 433 - 449 . doi: 10.1109/34.765655 http://dx.doi.org/10.1109/34.765655 Using spin images for efficient object recognition in cluttered 3D scenes SALTI S ， TOMBARI F ， DI STEFANO L . SHOT： Unique signatures of histograms for surface and texture description ［J］. Computer Vision and Image Understanding ， 2014 ， 125 ： 251 - 264 . doi: 10.1016/j.cviu.2014.04.011 http://dx.doi.org/10.1016/j.cviu.2014.04.011 SHOT： Unique signatures of histograms for surface and texture description TOMBARI F ， SALTI S ， STEFANO L D . Unique shape context for 3d data description ［C］. 3DOR '10 ： Proceedings of the ACM workshop on 3D object retrieval . 2010 ： 57 - 62 . doi: 10.1145/1877808.1877821 http://dx.doi.org/10.1145/1877808.1877821 Unique shape context for 3d data description RUSU R B ， BLODOW N ， BEETZ M . Fast point feature histograms （FPFH） for 3D registration ［C］. 2009 IEEE International Conference on Robotics and Automation . Kobe， Japan . IEEE ， 2009 ： 3212 - 3217 . doi: 10.1109/robot.2009.5152473 http://dx.doi.org/10.1109/robot.2009.5152473 Fast point feature histograms （FPFH） for 3D registration ALDOMA A ， VINCZE M ， BLODOW N ， et al . CAD-model recognition and 6DOF pose estimation using 3D cues ［C］. 2011 IEEE International Conference on Computer Vision Workshops . Barcelona， Spain . IEEE ， 2011 ： 585 - 592 . doi: 10.1109/iccvw.2011.6130296 http://dx.doi.org/10.1109/iccvw.2011.6130296 CAD-model recognition and 6DOF pose estimation using 3D cues FENG G H ， LIU Y ， LIAO Y Y . LOIND： an illumination and scale invariant RGB-D descriptor ［C］. 2015 IEEE International Conference on Robotics and Automation. Seattle ， WA ， USA . IEEE ， 2015 ： 1893 - 1898 . doi: 10.1109/icra.2015.7139445 http://dx.doi.org/10.1109/icra.2015.7139445 LOIND： an illumination and scale invariant RGB-D descriptor LOGOGLU K B ， KALKAN S ， TEMIZEL A . CoSPAIR： Colored Histograms of Spatial Concentric Surflet-Pairs for 3D object recognition ［J］. Robotics and Autonomous Systems ， 2016 ， 75 ： 558 - 570 . doi: 10.1016/j.robot.2015.09.027 http://dx.doi.org/10.1016/j.robot.2015.09.027 CoSPAIR： Colored Histograms of Spatial Concentric Surflet-Pairs for 3D object recognition YU M F ， ZHANG L ， WANG W F ， et al . Loop closure detection by using global and local features with photometric and viewpoint invariance ［J］. IEEE Transactions on Image Processing： a Publication of the IEEE Signal Processing Society ， 2021 ， 30 ： 8873 - 8885 . doi: 10.1109/tip.2021.3116898 http://dx.doi.org/10.1109/tip.2021.3116898 Loop closure detection by using global and local features with photometric and viewpoint invariance PERDOMO L ， PITTOL D ， MANTELLI M ， et al . C-M2DP： a fast point cloud descriptor with color information to perform loop closure detection ［C］. 2019 IEEE 15th International Conference on Automation Science and Engineering . Vancouver， BC， Canada . IEEE ， 2019 ： 1145 - 1150 . doi: 10.1109/coase.2019.8842896 http://dx.doi.org/10.1109/coase.2019.8842896 C-M2DP： a fast point cloud descriptor with color information to perform loop closure detection RÖHLING T ， MACK J ， SCHULZ D . A fast histogram-based similarity measure for detecting loop closures in 3-D LIDAR data ［C］. 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Hamburg ， Germany . IEEE ， 2015 ： 736 - 741 . doi: 10.1109/iros.2015.7353454 http://dx.doi.org/10.1109/iros.2015.7353454 A fast histogram-based similarity measure for detecting loop closures in 3-D LIDAR data RIZZINI D L . Place recognition of 3D landmarks based on geometric relations ［C］. 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Vancouver ， BC， Canada . IEEE ， 2017 ： 648 - 654 . doi: 10.1109/iros.2017.8202220 http://dx.doi.org/10.1109/iros.2017.8202220 Place recognition of 3D landmarks based on geometric relations RIZZINI D L ， GALASSO F ， CASELLI S . Geometric relation distribution for place recognition ［J］. IEEE Robotics and Automation Letters ， 2019 ， 4 （ 2 ）： 523 - 529 . doi: 10.1109/lra.2019.2891432 http://dx.doi.org/10.1109/lra.2019.2891432 Geometric relation distribution for place recognition KIM G ， KIM A . Scan context： egocentric spatial descriptor for place recognition within 3D point cloud map ［C］. 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Madrid ， Spain . IEEE ， 2018 ： 4802 - 4809 . doi: 10.1109/iros.2018.8593953 http://dx.doi.org/10.1109/iros.2018.8593953 Scan context： egocentric spatial descriptor for place recognition within 3D point cloud map KIM G ， PARK B ， KIM A . 1-day learning， 1-year localization： long-term LiDAR localization using scan context image ［J］. IEEE Robotics and Automation Letters ， 2019 ， 4 （ 2 ）： 1948 - 1955 . doi: 10.1109/lra.2019.2897340 http://dx.doi.org/10.1109/lra.2019.2897340 1-day learning， 1-year localization： long-term LiDAR localization using scan context image WANG H ， WANG C ， XIE L H . Intensity scan context： coding intensity and geometry relations for loop closure detection ［C］. 2020 IEEE International Conference on Robotics and Automation . Paris， France . IEEE ， 2020 ： 2095 - 2101 . doi: 10.1109/icra40945.2020.9196764 http://dx.doi.org/10.1109/icra40945.2020.9196764 Intensity scan context： coding intensity and geometry relations for loop closure detection LI L ， KONG X ， ZHAO X R ， et al . SSC： semantic scan context for large-scale place recognition ［C］. 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Prague ， Czech Republic . IEEE ， 2021 ： 2092 - 2099 . doi: 10.1109/iros51168.2021.9635904 http://dx.doi.org/10.1109/iros51168.2021.9635904 SSC： semantic scan context for large-scale place recognition SIVA S ， NAHMAN Z ， ZHANG H . Voxel-based representation learning for place recognition based on 3D point clouds ［C］. 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Las Vegas ， NV， USA . IEEE ， 2020 ： 8351 - 8357 . doi: 10.1109/iros45743.2020.9340992 http://dx.doi.org/10.1109/iros45743.2020.9340992 Voxel-based representation learning for place recognition based on 3D point clouds GUO J D ， BORGES P V K ， PARK C ， et al . Local descriptor for robust place recognition using LiDAR intensity ［J］. IEEE Robotics and Automation Letters ， 2019 ， 4 （ 2 ）： 1470 - 1477 . doi: 10.1109/lra.2019.2893887 http://dx.doi.org/10.1109/lra.2019.2893887 Local descriptor for robust place recognition using LiDAR intensity SHI W J ， RAJKUMAR R . Point-GNN： graph neural network for 3D object detection in a point cloud ［C］. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Seattle ， WA ， USA . IEEE ， 2020 ： 1708 - 1716 . doi: 10.1109/cvpr42600.2020.00178 http://dx.doi.org/10.1109/cvpr42600.2020.00178 Point-GNN： graph neural network for 3D object detection in a point cloud 王张飞 ， 刘春阳 ， 隋新 ， 等 . 基于深度投影的三维点云目标分割和碰撞检测 ［J］. 光学 精密工程 ， 2020 ， 28 （ 7 ）： 1600 - 1608 . doi: 10.37188/OPE.20202807.1600 http://dx.doi.org/10.37188/OPE.20202807.1600 基于深度投影的三维点云目标分割和碰撞检测 WANG Z F ， LIU C Y ， SUI X ， et al . Three-dimensional point cloud object segmentation and collision detection based on depth projection ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 7 ）： 1600 - 1608 . （in Chinese） . doi: 10.37188/OPE.20202807.1600 http://dx.doi.org/10.37188/OPE.20202807.1600 Three-dimensional point cloud object segmentation and collision detection based on depth projection LI R H ， LI X Z ， HENG P A ， et al . PointAugment： an auto-augmentation framework for point cloud classification ［C］. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Seattle ， WA ， USA . IEEE ， 2020 ： 6377 - 6386 . doi: 10.1109/cvpr42600.2020.00641 http://dx.doi.org/10.1109/cvpr42600.2020.00641 PointAugment： an auto-augmentation framework for point cloud classification WANG Y ， SUN Y B ， LIU Z W ， et al . Dynamic graph CNN for learning on point clouds ［J］. ACM Transactions on Graphics ， 2019 ， 38 （ 5 ）： 1 - 12 . doi: 10.1145/3326362 http://dx.doi.org/10.1145/3326362 Dynamic graph CNN for learning on point clouds 杨军 ， 党吉圣 . 采用深度级联卷积神经网络的三维点云识别与分割 ［J］. 光学 精密工程 ， 2020 ， 28 （ 5 ）： 1187 - 1199 . 采用深度级联卷积神经网络的三维点云识别与分割 YANG J ， DANG J S . Recognition and segmentation of three-dimensional point cloud based on deep cascade convolutional neural network ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 5 ）： 1187 - 1199 . （in Chinese） Recognition and segmentation of three-dimensional point cloud based on deep cascade convolutional neural network 赵传 ， 张保明 ， 余东行 ， 等 . 利用迁移学习的机载激光雷达点云分类 ［J］. 光学 精密工程 ， 2019 ， 27 （ 7 ）： 1601 - 1612 . doi: 10.3788/OPE.20192707.1601 http://dx.doi.org/10.3788/OPE.20192707.1601 利用迁移学习的机载激光雷达点云分类 ZHAO C ， ZHANG B M ， YU D H ， et al . Airborne LiDAR point cloud classification using transfer learning ［J］. Opt. Precision Eng. ， 2019 ， 27 （ 7 ）： 1601 - 1612 . （in Chinese） . doi: 10.3788/OPE.20192707.1601 http://dx.doi.org/10.3788/OPE.20192707.1601 Airborne LiDAR point cloud classification using transfer learning CHARLES R Q ， HAO S ， MO K C ， et al . PointNet： deep learning on point sets for 3D classification and segmentation ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition . Honolulu， HI， USA . IEEE ， 2017 ： 77 - 85 . doi: 10.1109/cvpr.2017.16 http://dx.doi.org/10.1109/cvpr.2017.16 PointNet： deep learning on point sets for 3D classification and segmentation QI C R ， YI L ， SU H ， et al . Pointnet++： Deep hierarchical feature learning on point sets in a metric space ［J］. Advances in Neural Information Processing Systems. 2017 ，（ 30 ）： 5099 - 5108 . Pointnet++： Deep hierarchical feature learning on point sets in a metric space UY M A ， LEE G H . PointNetVLAD： deep point cloud based retrieval for large-scale place recognition ［C］. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition . Salt Lake City， UT， USA . IEEE ， 2018 ： 4470 - 4479 . doi: 10.1109/cvpr.2018.00470 http://dx.doi.org/10.1109/cvpr.2018.00470 PointNetVLAD： deep point cloud based retrieval for large-scale place recognition SUN Q ， LIU H Y ， HE J ， et al . DAGC： employing dual attention and graph convolution for point cloud based place recognition ［C］. ICMR '20 ： Proceedings of the 2020 International Conference on Multimedia Retrieval . 2020 ： 224 - 232 . doi: 10.1145/3372278.3390693 http://dx.doi.org/10.1145/3372278.3390693 DAGC： employing dual attention and graph convolution for point cloud based place recognition FAN Z X ， LIU H Y ， HE J ， et al . SRNet： a 3D scene recognition network using static graph and dense semantic fusion ［J］. Computer Graphics Forum ， 2020 ， 39 （ 7 ）： 301 - 311 . doi: 10.1111/cgf.14146 http://dx.doi.org/10.1111/cgf.14146 SRNet： a 3D scene recognition network using static graph and dense semantic fusion KONG X ， YANG X M ， ZHAI G Y ， et al . Semantic graph based place recognition for 3D point clouds ［C］. 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Las Vegas ， NV， USA . IEEE ， 2020 ： 8216 - 8223 . doi: 10.1109/iros45743.2020.9341060 http://dx.doi.org/10.1109/iros45743.2020.9341060 Semantic graph based place recognition for 3D point clouds FAN Z X ， SONG Z B ， ZHANG W P ， et al . RPR-net： a point cloud-based rotation-aware large scale place recognition network ［EB/OL］. 2021： arXiv ： 2108 .12790［cs.CV］. https：//arxiv.org/abs/2108.12790 https://arxiv.org/abs/2108.12790 RPR-net： a point cloud-based rotation-aware large scale place recognition network HUI L ， CHENG M M ， XIE J ， et al . Efficient 3D point cloud feature learning for large-scale place recognition ［J］. IEEE Transactions on Image Processing ， 2022 ， 31 ： 1258 - 1270 . doi: 10.1109/tip.2021.3136714 http://dx.doi.org/10.1109/tip.2021.3136714 Efficient 3D point cloud feature learning for large-scale place recognition DU J ， WANG R ， CREMERS D . DH 3 D ： deep hierarchical 3 D descriptors for robust large-scale 6 DoF relocalization ［M］. Computer Vision – ECCV 2020. Cham ： Springer International Publishing ， 2020 ： 744 - 762 . doi: 10.1007/978-3-030-58548-8_43 http://dx.doi.org/10.1007/978-3-030-58548-8_43 DH3D： deep hierarchical 3D descriptors for robust large-scale 6DoF relocalization GONG Y S ， SUN F C ， YUAN J ， et al . A two-level framework for place recognition with 3D LiDAR based on spatial relation graph ［J］. Pattern Recognition ， 2021 ， 120 ： 108171 . doi: 10.1016/j.patcog.2021.108171 http://dx.doi.org/10.1016/j.patcog.2021.108171 A two-level framework for place recognition with 3D LiDAR based on spatial relation graph ZHOU Z C ， ZHAO C ， ADOLFSSON D ， et al . NDT-transformer： large-scale 3D point cloud localisation using the normal distribution transform representation ［J］. 2021 IEEE International Conference on Robotics and Automation （ICRA） ， 2021 ： 5654 - 5660 . doi: 10.1109/icra48506.2021.9560932 http://dx.doi.org/10.1109/icra48506.2021.9560932 NDT-transformer： large-scale 3D point cloud localisation using the normal distribution transform representation HUI L ， YANG H ， CHENG M M ， et al . Pyramid point cloud transformer for large-scale place recognition ［C］. 2021 IEEE/CVF International Conference on Computer Vision （ICCV）. Montreal ， QC， Canada . IEEE ， 2021 ： 6078 - 6087 . doi: 10.1109/iccv48922.2021.00604 http://dx.doi.org/10.1109/iccv48922.2021.00604 Pyramid point cloud transformer for large-scale place recognition ARANDJELOVIC R ， GRONAT P ， TORII A ， et al . NetVLAD： CNN architecture for weakly supervised place recognition ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2018 ， 40 （ 6 ）： 1437 - 1451 . doi: 10.1109/tpami.2017.2711011 http://dx.doi.org/10.1109/tpami.2017.2711011 NetVLAD： CNN architecture for weakly supervised place recognition VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention is all you need ［J］. In Advances in neural information processing systems ， 2017 ， pp. 5998 - 6008 . Attention is all you need GEIGER A ， LENZ P ， URTASUN R . Are we ready for autonomous driving？ The KITTI vision benchmark suite［C］. 2012 IEEE Conference on Computer Vision and Pattern Recognition. Providence ， RI ， USA . IEEE ， 2012 ： 3354 - 3361 . doi: 10.1109/cvpr.2012.6248074 http://dx.doi.org/10.1109/cvpr.2012.6248074 Are we ready for autonomous driving？ GEIGER A ， LENZ P ， STILLER C ， et al . Vision meets robotics： the KITTI dataset ［J］. The International Journal of Robotics Research ， 2013 ， 32 （ 11 ）： 1231 - 1237 . doi: 10.1177/0278364913491297 http://dx.doi.org/10.1177/0278364913491297 Vision meets robotics： the KITTI dataset CARLEVARIS-BIANCO N ， USHANI A K ， EUSTICE R M . University of Michigan north campus long-term vision and lidar dataset ［J］. The International Journal of Robotics Research ， 2016 ， 35 （ 9 ）： 1023 - 1035 . doi: 10.1177/0278364915614638 http://dx.doi.org/10.1177/0278364915614638 University of Michigan north campus long-term vision and lidar dataset KIM G ， PARK Y S ， CHO Y ， et al . MulRan： multimodal range dataset for urban place recognition ［C］. 2020 IEEE International Conference on Robotics and Automation . Paris， France . IEEE ， 2020 ： 6246 - 6253 . doi: 10.1109/icra40945.2020.9197298 http://dx.doi.org/10.1109/icra40945.2020.9197298 MulRan： multimodal range dataset for urban place recognition PANDEY G ， MCBRIDE J R ， EUSTICE R M . Ford Campus vision and lidar data set ［J］. The International Journal of Robotics Research ， 2011 ， 30 （ 13 ）： 1543 - 1552 . doi: 10.1177/0278364911400640 http://dx.doi.org/10.1177/0278364911400640 Ford Campus vision and lidar data set SUO C Z ， LIU Z ， MO L F ， et al . LPD-AE： latent space representation of large-scale 3D point cloud ［J］. IEEE Access ， 2020 ， 8 ： 108402 - 108417 . doi: 10.1109/access.2020.2999727 http://dx.doi.org/10.1109/access.2020.2999727 LPD-AE： latent space representation of large-scale 3D point cloud 杨必胜 ， 董震 . 点云智能研究进展与趋势 ［J］. 测绘学报 ， 2019 ， 48 （ 12 ）： 1575 - 1585 . 点云智能研究进展与趋势 YANG B S ， DONG Z . Progress and perspective of point cloud intelligence ［J］. Acta Geodaetica et Cartographica Sinica ， 2019 ， 48 （ 12 ）： 1575 - 1585 . （in Chinese） Progress and perspective of point cloud intelligence 10.37188/OPE.20223016.1988 TP391.4 TH691.9 A 1004-924X（2022）16-1988-18 郝雯,张雯静,梁玮等.面向三维点云的场景识别方法综述[J].光学精密工程,2022,30(16):1988-2005. 郝雯,张雯静,梁玮等.面向三维点云的场景识别方法综述[J].光学精密工程,2022,30(16):1988-2005. HAO Wen,ZHANG Wenjing,LIANG Wei,et al.Scene recognition for 3D point clouds： a review[J].Optics and Precision Engineering,2022,30(16):1988-2005. HAO Wen,ZHANG Wenjing,LIANG Wei,et al.Scene recognition for 3D point clouds： a review[J].Optics and Precision Engineering,2022,30(16):1988-2005. 国家自然科学基金项目（No.61602373）；陕西省自然科学基金项目（No.2021JM-342）；陕西省教育厅重点实验室基金项目（No.18JS078）；西安市碑林区研发项目（No.GX2242） 2021-11-27 2022-01-11 2022-08-25 2022-09-01 光学精密工程 16 30