---
title: "點雲（Point Cloud）"
slug: point-cloud
language: zh-TW
source: https://aiterms.tw/terms/point-cloud
updated_at: 2026-06-22
tags: [電腦視覺, 深度學習, 神經網路, 3D視覺]
ipas_term: false
---

# 點雲（Point Cloud）

三維空間中由大量無序點組成的資料結構，每點含坐標和屬性，用於3D感知、掃描、建模和分析。

## 完整說明

點雲是電腦視覺和3D感知領域的基本資料結構，由三維空間中大量無序點（通常包含X、Y、Z坐標）組成。每點還可包含RGB顏色、強度、法向量等屬性。點雲通常來自LiDAR掃描、深度攝像機、立體視覺重建或3D掃描儀。點雲廣泛應用於自動駕駛、機器人導航、3D地圖製作、文物數位化、建築掃描和環境監測。

## 常見問題

### 為什麼PointNet用MaxPooling而不是平均池化？

MaxPooling的對稱性更好。理論上可證明，MaxPooling在點集排列下是天然對稱的（不變的）：無論點的順序如何，MaxPooling結果相同。平均池化雖然也對稱，但MaxPooling對異常點更敏感，能捕捉局部極值特徵，更能區分不同點雲。此外，MaxPooling有更強的表達能力：某些函數只能用MaxPooling精確表達，不能用平均池化實現。實驗上MaxPooling也表現更優。缺點是丟失了點雲的密度資訊，PointNet++通過多尺度聚合部分解決此問題。

### 點雲檢測在自動駕駛中如何工作？

自動駕駛中的點雲檢測目標是從LiDAR掃描到達的密集點雲中偵測車輛、行人等障礙物。方法通常是3D邊框檢測。主流架構有兩類：1) 基於PointNet的兩階段方案，先用PointNet抽取特徵和語義分割（區分背景和物體點），再在物體點上做區域提案和邊框迴歸；2) 基於體素化的一階段方案（如VoxelNet），將點雲轉為規則體素網格，用3D CNN檢測。體素方案計算快但分辨率受限；點雲方案精度高但計算複雜。現代融合方案結合LiDAR點雲和攝像機影像，一般優於單一模態。

### 點雲如何進行3D目標跟蹤？

3D目標跟蹤將點雲序列中的物體軌跡跟蹤。方法包括：1) 預測+搜尋：用前幀的檢測結果預測當前幀位置，在預測區域搜尋匹配；2) 匹配：特徵提取後進行點雲匹配（如ICP），計算連續幀間的變換；3) 深度學習跟蹤器：輸入前幀標籤和當前幀點雲，回歸目標的3D邊框。關鍵是建立幀間的數據關聯，簡單的方案用距離關聯（假設物體運動平緩），複雜方案用匈牙利算法解決多目標指派問題。在自動駕駛中，多目標跟蹤（MOT）同時跟蹤所有動態物體，支撐行為預測和碰撞預警。

---

來源：https://aiterms.tw/terms/point-cloud
快查頁：https://aiterms.tw/terms/point-cloud
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-point-cloud