一.基于基于传统方法的三维点云目标检测的基本流程：
1.点云预处理（例如点云降采样等前处理方法）
2.分割地面（暴力法以及Ransac算法）
3.点云聚类方法介绍：
4.特征提取
提取点云的某些特征向量
特征提取主要包括：
1.2D特征：2d几何特征：半径、点密度、面积……
2d局部形状特征：基于累积图的特征：格网点数、高程差、高程标准差…
2.3D特征：3d几何特征：半径、高程差、高程标准差、点密度
3d局部形状特征：线性特征、平面特征、散乱特征、总方差、各向异性、特征熵、特征值和曲率…
3.纹理特征：RGB、强度
4.统计图特征：
点特征直方图PFH、快速点特征直方图FPFH、视点特征直方图VFH，Signature
of Histograms of OrienTations(SHOT) 5.其他特征：Spin images，Global FPFH，Global Radius-based Surface Descriptor(GRSD)，GlobalStructure Histogram(GSH)
5.分类
最近邻、决策树、随机森林、AdaBoost、LDA、QDA、二次判别分析、SVM多分类等
二.基于深度学习的三维点云目标检测的基本流程：
主要方法以及代表性网络
主要方法：
（1）直接处理点云的的方法
无法对点云直接使用卷积的根本原因是点云数据的无序性，对点云数据进行排序再卷积，则是一种很直观的解决方案。然而随着点云中数据点的增多，其全排列的数目会爆炸式增长，带来了极大的计算负担，激光雷达获取的点云数据量更大，更难直接应用。此外，如何在排序的同时，设定点的权值以保留形状信息也是一个需要考虑的问题。当前沿袭这种思想的主要方法有山东大学在2018年提出的PointCNN，其主要思想是通过深度网络学习一个置换矩阵，对输入数据进行排序和加权。
另一种思路是提取点云数据中与点序列无关的信息，以这种对于顺序不敏感的特征进行匹配。斯坦福大学提出的PointNet系列的方法即沿用了这个思路，他们提出了对称函数的思想，使用对称函数对特征点提取顺序无关的信息，来近似点云的全局信息，并在PointNet++中提出了层级结构，使其架构能够提取点云的局部相关性特征，并适应不同的局部点密度。
（2）基于voxel的方法
基于voxel的方法试图在三维数据上直接使用卷积。这种方法试图将不规则分布的点云或mesh，转换为规则分布的栅格化表示。voxel是将点云空间规则划分所得的单位，每一个voxel含有子空间中的多个点。以voxel为基本单位，使用3D-CNN进行特征提取。
这种方法保留了点的空间位置信息，但是由于点云数据量和3D-CNN的固有计算量，此方法通常开销很大，在保证计算效率的同时，往往需要降低分辨率，从而造成了精度损失。同时，点云数据在转化为voxel表示后，往往是稀疏分布的，很多voxel并没有包含三维点，带来了很多不必要的乘0或者为空的计算开销。因此，如何将稀疏voxel转化为密集向量，并提供可GPU加速的计算方法，是这种思路面临的主要挑战。FPNN和Vote3D提出了一些方法处理稀疏问题，但仍是在稀疏voxel上进行操作。苹果公司提出的VoxelNet在这方面做出了一些尝试，提出了端到端的高效方案，取得了较好的结果。
（3）基于多视角的方法
此类方法的思路是将同一个三维物体，转化为不同视角下”拍摄“所得到的二维图像，将这些二维图像作为训练数据，使用二维卷积进行特征提取。
