文章目录
一、前言
前些日子作者对点云与图像融合领域进行了一些调查，经过作者浅显的调查发现现今的“点云与图像融合”主要作为一种综合工程手段应用在3D目标检测（包括但不限于：车道线识别、距离估算、有遮挡的目标识别）等自动驾驶领域。因此在调研的过程中梳理了3D目标检测算法的主要实现方法，并对各种经典算法做了类别区分。
二、3D目标检测算法梳理
注：这里只给出了算法的缩写，就不单独给出算法的出处文献了。如果读者对某个具体的算法感兴趣，可以在百度搜索对应的缩写名称便能看到具体的介绍。
三、总结
经过这一番调研来看，目前的点云与图像融合主要被用于3D目标检测等任务。
它提出的初衷是提高3D目标检测的精度，因为前几年提出的基于点云的目标检测算法的精准度不高；单独基于图像的检测又无法获得目标的3维信息。融合作为一种折中策略成为大多数学者的选择。但随着点云处理网络的不断更迭，现在单独基于点云的3D目标检测的精度已经大幅超越基于融合的方法。以图中提到的IA-SSD方法为例，它现在的识别精度已经能到90%以上，是目前最优秀的3D目标检测算法。如果单纯从提高算法对一般3D目标的检测精度这个出发点来说，点云与图像融合这项策略已经没有存在的必要了。而且客观实事是：这个领域的研究论文越来越少了。
当然，点云与图像融合在目标检测领域也并非一无是处。如果有小伙伴仍旧想研究这个方向，作者可以浅浅的给出几点建议：
1、将点云与图像融合的方法引入对特殊3D目标的检测，专供特定情况下的目标检测，比拼在处理特定目标时的精准度。例如：有遮挡的目标，体貌特征相似的目标（在点云成像中难以区分）。
2、偏向工程目标检测算法研究：一种全天候全时段的目标检测算法，将融合作为一种保证机制加入算法中，比如在点云不能很好的发挥作用的时候自动引入图像进行信息补全，进而做到精度加成。重点强调算法的稳健和全适用。
3、跳出目标检测的圈子，将点云与图像融合作为一种基础方法用来整合多传感器的信息，偏向理论指导。其实这才是融合的意义，不要局限于目标检测，偏向系统基层模块架构。
参考文献：
1、基于图像和点云融合的全天候三维车辆检测方法研究
2、Multi-View 3D Object Detection Network for Autonomous Driving